We present an example-based learning approach for locating vertical frontal views of human faces in complex scenes. The technique models the distribution of human face patterns by means of a few view-based "face'' and "non-face'' prototype clusters. At each image location, the local pattern is matched against the distribution-based model, and a trained classifier determines, based on the local difference measurements, whether or not a human face exists at the current image location. We provide an analysis that helps identify the critical components of our system.

近年來，信用卡市場快速地成長，發卡銀行亦大量地發卡，然而目前國內 發卡銀行在整個信用卡信用風險管理上，大都採行人類專家經驗判斷的方 式進行。發卡銀行隨著持卡人數快速地增加，其信用資料亦呈等比例急速 上升，若仍採用人工處理方式，除了會大幅增加工作負荷外，其授信品質 也不易控制。因此，本研究擬引進資訊技術來解決大量信用卡信用資料之 信用管理問題。 首先，我們探討信用卡信用管理業務，並根據其作業 流程來建構一信用卡信用管理自動化的架構，此架構包括徵信驗證系統、 審核系統、預警系統、高風險客戶管理系統、及催收系統等五個系統，其 目的在於輔助授信管理之業務、減少授管人員的工作負荷、以有效控制授 信品質、及降低授信的風險。 其次，本研究針對上述信用卡信用管理 自動化中的預警系統，利用範例學習法來建立信用卡信用風險預警範例學 習系統，且實際以一家發卡銀行的信用資料來建立並驗證四個預警模式， 期能事先讓系統自動查核信用不良之客戶。此四類預警模式為: (一)提前 預警模式(二)群體決策預警模式(三)追蹤管理預警模式(四)例外管理預警 模式 最後，我們亦提出一些未來研究之課題，期能進一步發展本研究 之信用卡信用管理自動化系統及預警模式，以推廣應用至各發卡機構。

隨著國人持信用卡消費購物方式的蔚為風氣，致使發卡機構每日所需處理 的申請案件激增；同時，由於信用卡業務的日趨多元化，更增添了審核的 複雜度。傳統以人為判斷為主的審核方法，在有限的人力之下，勢將難以 因應如此龐大的審核需求，而在時間緊迫、經驗累積不足的情形下，難免 會危及授信品質，而增加了此項授信業務的風險。有鑑於此，本研究希望 能藉由範例學習法建立一信用卡信用風險審核模式，期能有效輔助信用卡 發卡審核作業，以降低授信風險，並提昇發卡機構的經營績效。本研究以 某發卡機構為研究對象。抽取個案機構81全年度，審核通過的資料作為研 究樣本。其中以截至82年度3月止，被強制停卡者之不良卡戶，計2,788筆 ；而仍繼續流通的正常卡戶，計有97,001筆，總計99,789筆，作為系統學 習及測試所需之資料。本研究首先針對信用卡審核問題的特性，探討範例 學習法的處理策略，我們將計質線索以相對風險的觀念轉換為順序尺度， 並使所建構的二元樹之葉節點（判斷法則）精簡了二分之一左右，和原分 類樹預測能力並無顯著差異。其次，我們進一步運用修剪策略，可將原判 斷法則數由230條減至26條，大幅的提升了執行效率；修剪策略的運用， 雖然降低了區別率，但卻將預測能力（命中率）由67.1%提升至72.58%。 亦即研究結果顯示，避免分類過細，有助於系統預測能力的提升。本研究 範例學習審核模式之預測能力達72.58%，較 Logistic Re- gression 審 核模式高出約6.49%。在重要性線索的選取上，二者具有相當的一致性； 研究結果顯示，原持有一般卡張數、金卡張數、教育程度、公司等級、職 級等為區別力較佳的信用要素。其中區別能力最強的因素為原一般卡持有 張數，張數愈多，信用風險愈高，而此因素為原審核模式所疏漏者，值得 授信人員警惕。此外，我們再將成本效益因素加入分類樹判斷法則，透過 此方式可調整授信的門檻，以增加發卡機構所能獲取的利潤。進一步考量 申請者的信用風險與所得，建立一信用額度核定的方式。研究結果顯示， 以此一模式授與信用額度較原機構之授與方式,高出約一仟二佰萬元淨收 益。此乃由於本模式能有效辨識出不良客戶（命中率為 80.58%），因而 大幅地降低了呆帳的損失。最後，我們綜合本研究的心得，提出一些未來 研究課題，期能使最適分類樹的產生更具效率，並且擴大研究的範圍，希 望能將信用卡範例學習系統推展至各發卡機構，並應用於信用管理的各層 面，以有效提昇信用卡經營效益。

No description available.