基于强化学习引导的超参数优化：面向公平且可解释的脉冲神经网络金融欺诈检测
机器学习
2026-03-25 v3
摘要
随着居家银行系统的普及，网络欺诈风险不断增加，亟需准确、公平且可解释的检测模型。虽然AI方法显示出前景，但面临计算效率低下、脉冲神经网络（SNN）可解释性有限以及基于强化学习的超参数优化不稳定等挑战。我们提出一种框架，将皮层脉冲网络与群体编码（CSNPC）结合，并引入强化学习引导的超参数优化器（RHOSS）。CSNPC利用群体编码实现稳健分类，而RHOSS应用Q学习在公平性和召回率约束下自适应选择低层启发式方法。该系统集成于MoSSTI框架，采用显著性图和脉冲活动轮廓图实现可解释AI。我们在银行账户欺诈（BAF）数据集上进行评估，该模型在5%假阳性率下实现90.8%的召回率，超越了以往的脉冲和经典模型，同时在人口统计学群组间保持98%以上的预测平等。尽管RHOSS引入了离线优化成本，但可在部署时摊销。CSNPC的稀疏架构进一步降低了相较于稠密ANN的能源消耗。结果表明，融合基于群体编码的SNN与RL引导的超参数优化，能够实现公平、可解释且高性能的欺诈检测。
引用
@article{arxiv.2508.16915,
title = {Reinforcement-Guided Hyper-Heuristic Hyperparameter Optimization for Fair and Explainable Spiking Neural Network-Based Financial Fraud Detection},
author = {Sadman Mohammad Nasif and Md Abrar Jahin and M. F. Mridha},
journal= {arXiv preprint arXiv:2508.16915},
year = {2026}
}