Learning Transactions Representations for Information Management in Banks: Mastering Local, Global, and External Knowledge

要約

今日の世界では、銀行は人工知能を使って多様な業務プロセスを最適化し、顧客体験の向上を目指している。顧客関連のタスクの多くは、1）取引予測など顧客の現在の状態に焦点を当てるローカルなものと、2）ローン返済の成功予測など一般的な顧客行動を考慮するグローバルなもの、の2つのグループに分類できる。残念なことに、各タスクに対して別々のモデルを維持することはコストがかかる。従って、情報管理をより容易にするために、我々は8つの最新の教師なし手法を11のタスクで比較し、万能の解決策を探した。対照的な自己教師あり学習法は大域的な問題に優れ、一方、生成的な手法は局所的なタスクに優れていることが示された。また、他のクライアントから収集した外部情報を取り入れることで、クライアントの表現を豊かにする新しいアプローチも紹介した。我々の手法は従来のモデルを凌駕し、精度を最大20%向上させた。

要約(オリジナル)

In today’s world, banks use artificial intelligence to optimize diverse business processes, aiming to improve customer experience. Most of the customer-related tasks can be categorized into two groups: 1) local ones, which focus on a client’s current state, such as transaction forecasting, and 2) global ones, which consider the general customer behaviour, e.g., predicting successful loan repayment. Unfortunately, maintaining separate models for each task is costly. Therefore, to better facilitate information management, we compared eight state-of-the-art unsupervised methods on 11 tasks in search for a one-size-fits-all solution. Contrastive self-supervised learning methods were demonstrated to excel at global problems, while generative techniques were superior at local tasks. We also introduced a novel approach, which enriches the client’s representation by incorporating external information gathered from other clients. Our method outperforms classical models, boosting accuracy by up to 20\%.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL