基于可解释人工智能与堆叠集成方法的金融欺诈检测
机器学习
2025-05-16 v1 人工智能
摘要
传统机器学习模型往往优先考虑预测精度，通常以牺牲模型透明度和可解释性为代价。缺乏透明度使组织难以满足监管要求并获得利益相关者的信任。本研究提出了一种欺诈检测框架，结合了知名梯度提升模型的堆叠集成：XGBoost、LightGBM和CatBoost。此外，可解释人工智能(XAI)技术被用于增强模型决策的透明度和可解释性。我们使用SHAP(SHapley Additive Explanations)进行特征选择以识别最重要的特征。我们还进一步尝试通过局部可解释模型无关解释(LIME)、部分依赖图(PDP)和排列特征重要性(PFI)来解释模型的预测。使用包含超过590,000条真实交易记录的IEEE-CIS欺诈检测数据集对所提模型进行了评估。模型取得了高性能，准确率达到99%，AUC-ROC得分为0.99，优于多项近期相关方法。这些结果表明，将高预测精度与透明的可解释性相结合是可能的，并有望在金融欺诈检测中带来更具伦理性和可信度的解决方案。
引用
@article{arxiv.2505.10050,
title = {Financial Fraud Detection Using Explainable AI and Stacking Ensemble Methods},
author = {Fahad Almalki and Mehedi Masud},
journal= {arXiv preprint arXiv:2505.10050},
year = {2025}
}