Hierarchical Fallback Architecture for High Risk Online Machine Learning Inference

要約

オープンバンキングの機械学習アプリケーションには、挑戦的なストレスと失敗のシナリオに対処するために、新しい堅牢性アプローチが必要です。
この論文では、金融領域に焦点を当てた高リスクの機械学習アプリケーションの堅牢性を改善するための階層的なフォールバックアーキテクチャを提案します。
外部データプロバイダーに依存するオンライン推論でよく見られる一般的な障害シナリオを定義し、階層的なフォールバックアーキテクチャを適用してそれらに対処する方法を詳細に説明します。
最後に、オープンバンキングデータを使用して、極端なストレスシナリオの下で、ほぼリアルの時間取引詐欺リスク評価のために、業界での適用性の実世界の例を提供します。

要約(オリジナル)

Open Banking powered machine learning applications require novel robustness approaches to deal with challenging stress and failure scenarios. In this paper we propose an hierarchical fallback architecture for improving robustness in high risk machine learning applications with a focus in the financial domain. We define generic failure scenarios often found in online inference that depend on external data providers and we describe in detail how to apply the hierarchical fallback architecture to address them. Finally, we offer a real world example of its applicability in the industry for near-real time transactional fraud risk evaluation using Open Banking data and under extreme stress scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google