New York University（纽约大学）

Interpretable vs Learned Encoders for High-Cardinality Fraud Detection

可解释编码器与学习型编码器在高基数欺诈检测中的对比

Xiao Han, Jingjing Liu, Moxuan Zheng, Zhen Zhang, Chenyu Wu

机构 * Goizueta Business School Emory University Atlanta, GA, USA（埃默里大学戈伊苏埃塔商学院） ； Computer Sciences University of California, Berkeley Kirkland, WA（加州大学伯克利分校计算机科学系） ； Stern School of Business New York University New York, NY, USA（纽约大学斯特恩商学院） ； School of Data Science University of Pennsylvania Philadelphia, PA, USA（宾夕法尼亚大学数据科学学院） ； Pratt School of Engineering Duke University Durham, NC, USA（达特茅斯大学普拉特工程学院） 纠错

AI总结 在IEEE-CIS欺诈数据集上比较7种分类编码方法，实体嵌入在AUC-ROC上最优（0.9612），与CatBoost（0.9602）无显著差异，优于其他编码器；CatBoost在AUC-PR上领先（0.822 vs 0.793），无编码器同时主导两个指标。