Como uma Rede Neural Aprendeu Suas Próprias Regras de Fraude: Um Experimento de IA Neuro-Simbólica
A maioria dos sistemas neuro-simbólicos injeta regras escritas por humanos. Mas e se uma rede neural pudesse descobrir essas regras por conta própria?
Neste experimento, uma rede neural híbrida é estendida com um módulo de aprendizado de regras diferenciável que automaticamente extrai regras de fraude do tipo SE-ENTÃO durante o treinamento. Usando o conjunto de dados de Fraude com Cartão de Crédito, o modelo aprendeu regras interpretáveis, como:
SE V14 < −1,5σ E V4 > +0,5σ → Fraude, onde σ denota o desvio padrão da característica após a normalização.
O aprendiz de regras alcançou uma métrica ROC-AUC de 0,933 ± 0,029, mantendo 99,3% de fidelidade às previsões da rede neural.
O modelo redescobriu independentemente V14 — uma característica que os analistas sabem há muito tempo que correlaciona fortemente com fraudes — sem ser instruído a procurá-la.
O que o Modelo Descobriu
Após até 80 épocas de treinamento, o aprendiz de regras produziu as seguintes regras:
Regra de Fraude — Semente 42 (5 condições, conf=0,95):
SE V14 < −1,5σ E V4 > +0,5σ E V12 < −0,9σ E V11 > +0,5σ E V10 < −0,8σ, ENTÃO FRAUDE.
Regra de Fraude — Semente 7 (8 condições, conf=0,74):
SE V14 < −1,6σ E V12 < −1,3σ E V4 > +0,3σ E V11 > +0,5σ E V10 < −1,0σ E V3 < −0,8σ E V17 < −1,5σ E V16 < −1,0σ, ENTÃO FRAUDE.
Em ambos os casos, os baixos valores de V14 estão no centro da lógica — uma convergência marcante, dada a ausência de orientação prévia.
De Regras Injetadas a Regras Aprendidas — Por que Isso Importa
Cada modelo de fraude tem uma fronteira de decisão. No entanto, as equipes de fraude operam com regras. A lacuna entre o que o modelo aprendeu e o que os analistas podem ler, auditar e defender a um regulador é crucial.
O aprendizado de regras permite que um modelo descubra sinais que os analistas não pensaram em procurar. Isso é especialmente relevante em domínios que combinam eventos raros, especialização do domínio e requisitos de conformidade.
A Arquitetura: Três Componentes Aprendíveis
A arquitetura mantém uma rede neural padrão intacta, mas adiciona um segundo caminho que aprende regras simbólicas que explicam as decisões da rede. Os dois caminhos operam em paralelo e seus resultados são combinados por um peso aprendível α.
1. Discretizador Aprendível: Regras precisam de entradas binárias — a característica V14 abaixo de um limite? O discretizador conecta operações contínuas às regras.
2. Camada de Aprendizagem de Regras: Cada regra é uma combinação ponderada de características binarizadas, passando por uma função sigmoid.
3. Resfriamento de Temperatura: O resfriamento segue uma programação exponencial que ajuda a converter uma otimização contínua em uma saída simbólica.
Resultados: A Aprendizagem de Regras Funciona — E O Que Ela Encontrou
O desempenho do aprendiz de regras está ligeiramente abaixo do baseline neural puro em todas as métricas de detecção, mas oferece uma explicabilidade valiosa. A fidelidade das regras é de 0,993 ± 0,001, mostrando que elas representam as decisões reais do modelo com alta precisão.
As duas regras extraídas destacaram V14 como uma característica fundamental, uma demonstração poderosa de que a descida do gradiente pode redescobrir sinais críticos para o domínio de forma autônoma.
Conclusão
O aprendizado de regras diferenciais combina aprendizado estatístico com lógica legível por humanos, permitindo que as equipes de conformidade verifiquem e assinem regras sem abrir uma única matriz de pesos. Essa abordagem não só aprimora a detecção de fraudes, mas também estabelece um modelo para futuras aplicações em diversos domínios que exigem decisões auditáveis.
