大数据欺诈检测中的可解释人工智能

大数据已成为现代金融、保险和网络安全应用的核心，使机器学习系统能够执行大规模风险评估和欺诈检测。然而，对自动化分析的日益依赖引入了关于透明度、监管合规和信任的重要问题。本文探讨了可解释人工智能（XAI）如何集成到用于欺诈检测和风险管理的大数据分析流程中。我们回顾了关键的大数据特征，并调研了主要分析工具，包括分布式存储系统、流式平台和先进的欺诈检测模型，如异常检测器、基于图的方法和集成分类器。我们还呈现了对广泛使用的 XAI 方法的结构化综述，包括 LIME、SHAP、反事实解释和注意力机制，并分析了它们在大规模部署时的优势和局限性。基于这些发现，我们识别了与可扩展性、实时处理以及图模型和时间模型的可解释性相关的关键研究空白。为应对这些挑战，我们概述了一个概念框架，将可扩展的大数据基础设施与上下文感知解释机制和人类反馈相结合。本文以可扩展 XAI、隐私感知解释和可解释欺诈检测系统的标准化评估方法等开放研究方向作为结尾。