金融异常检测面临极端类别不平衡的问题，导致传统单目标算法出现“欺诈崩溃”，即默认选择多数类，从而无法有效平衡异常拦截与客户摩擦。为了解决这一问题而不进行失真的数据重采样，我们提出了语义帕累托-DQN，一个多目标强化学习框架。
我们的方案将异构交易特征合成成连贯的自然语言叙述，通过大型语言模型进行编码，从而生成一个强健的、尺度不变的状态表示。该智能体优化一个向量化的奖励，明确解耦金融效益、操作摩擦和语义发现。
通过映射连续的帕累托前沿，系统能够动态地在漏报异常与假阳性之间的非对称成本中导航。基于电子商务欺诈和UCI信用数据集的实证评估表明，语义帕累托-DQN成功打破了零召回陷阱，相较于标量化基线，它在少数类召回上表现优越，为金融异常发现提供了一种在有限操作摩擦下的替代方案。
博主点评： 语义帕累托-DQN的提出有效解决了金融领域中数据不平衡的问题，通过创新性地使用自然语言模型和多目标优化方法，显著提升了少数类的召回率，其在实际应用中的潜力不容小觑。这一方法为金融异常检测开辟了新的视角，值得深入研究与推广。