在信用欺诈检测领域，数据的类别不均衡问题是一个普遍存在的难题，尤其在信用数据中，欺诈案例往往远少于正常交易案例，这种极端不均衡的分布会对模型的性能产生严重影响。当样本分布极度不平衡时，信息扭曲、统计差异和报告偏差引起的噪声会严重损害模型训练过程，可能导致过拟合等问题。
针对这一问题，研究者们提出了一种基于深度集成学习的信用欺诈检测算法。该算法的核心思想是利用深度信念网络（Deep Belief Networks，简称DBN）和集成学习方法解决信用数据中极度不均衡的问题。
算法提出了一种联合采样策略，该策略结合了欠采样（under-sampling）和过采样（over-sampling）来获取训练子数据集。欠采样指的是从多数类别中剔除样本以减少类别不平衡，而过采样则是通过增加少数类别的样本数量来平衡数据集。这一步骤是为了解决由于类别不均衡带来的模型偏差问题。
研究者引入了一种分两阶段构建分类器集群的算法。支持向量机（Support Vector Machines，简称SVM）和随机森林（Random Forest）分类器通过Boosting算法结合在一起，以克服SVM在分类界面的偏差问题。Boosting是一种集成学习技术，它可以将多个分类器的预测结果结合起来，通过逐个增加弱分类器来提高整体分类器的性能。
最终，深度信念网络被用来整合分类器的预测结果，并输出最终的分类结果。深度信念网络是一种生成式的神经网络，它通过训练一个深度置信网络来发现输入数据的高级特征。在集成学习中，DBN可以作为一个强大的基础模型，来整合来自不同分类器的特征，从而提高模型的泛化能力。
此外，研究中还提出了一个考虑到正负样本识别的收益成本指数（revenue cost index），这是一种新型的评价方法。传统评价方法往往过分强调多数样本的影响，而忽视了在某些情况下，少数类别的样本可能更加重要。收益成本指数能够平衡识别正负样本的重要性，从而更全面地评估模型性能。
研究者在欧洲信用卡数据上进行了实证研究。研究结果表明，在收益成本指数上，所提出的算法相比于其他算法平均性能高出了3%。此外，实验还评估了不平衡比率对算法性能的影响，并发现所提出的算法在这一方面优于其他算法。
在关键词方面，除了信用欺诈和极度不均衡数据之外，文章还提到了深度信念网络（DBN）和支持向量机（SVM）。DBN是深度学习模型的一个代表，它在数据的特征学习方面表现出强大的能力；而SVM作为一种经典的分类算法，其在处理非线性问题以及小样本问题上具有良好的性能。然而，SVM在处理极度不平衡的数据集时往往会遇到性能下降的问题，这也是研究中引入集成学习和DBN来弥补其不足的原因。
总结来说，该研究提出了一种针对信用数据极度不平衡特点的深度集成学习算法。通过联合采样策略、集成分类器的策略以及深度信念网络来提高模型对于少数类别的检测能力。同时，收益成本指数的引入为信用欺诈检测提供了更为客观的评价标准，有助于在实际应用中更准确地识别和处理欺诈行为。该算法的成功实施为后续在此领域的研究和应用提供了有力的参考。
