RIFF：決定木からの不正検出のための規則誘導

年間数十億ドルにのぼる金融詐欺による損失が発生している。従来、詐欺検出システムは、意思決定の説明可能性が求められる分野において重要な透明性と解釈可能性を備えるため、ルールベースのアプローチに依存してきた。しかし、ルールシステムは、専門家による豊富な知識を要し、作成や調整に多大な人的リソースを必要とするという課題を抱えている。これに対して、ルール誘導アルゴリズムは、データから直接ルールを導出することで、この課題を軽減することを目指している。本研究では、低偽陽性率（FPR：False Positive Rate）またはアラート率を制限するという制約下で、ルールシステムを用いた詐欺検出にこれらのアルゴリズムを適用する可能性を検討し、決定木から直接低FPRのルールセットを抽出する「RIFF」というルール誘導アルゴリズムを提案する。実験の結果、導出されたルールは、元のモデルの性能を維持あるいは向上させつつ、モデルの複雑性を大幅に低減でき、さらに専門家が手作業でチューニングしたルールよりも優れた性能を発揮することが示された。