基于Shapley值引导的自适应集成学习在可解释金融欺诈检测中的应用：美国监管合规性验证
机器学习
2026-04-17 v1 人工智能
神经与进化计算
摘要
金融犯罪年均造成美国机构超过320亿美元损失。尽管AI欺诈检测工具日益先进，但其在实际系统中仍面临重大障碍：许多模型作为黑箱，无法提供OCC 2011-12号公告和联邦储备局SR 11-7等监管要求的透明、可审计解释。本研究作出三大贡献：其一，对解释质量进行全面评估，包括忠诚度（在k=5,10,15处的充分性与全面性）与稳定性（基于30个bootstrap抽样的Kendall's W）。XGBoost配合TreeExplainer实现近乎完美的稳定性 (W=0.9912)，而LSTM配合DeepExplainer表现较弱 (W=0.4962)。其二，本文引入SHAP引导的自适应集成 (SGAE)，根据SHAP归因一致性动态调整单笔交易的集成权重，实现了所有测试模型中在留置AUC-ROC最高 (0.8837)，交叉验证达0.9245。其三，提供了在完整590,540笔IEEE-CIS数据集上的LSTM、Transformer与GNN-GraphSAGE三种架构完整评估，GNN-GraphSAGE实现AUC-ROC 0.9248与F1=0.6013。所有结果均直接对应于OCC、SR 11-7及BSA-AML监管合规要求。
引用
@article{arxiv.2604.14231,
title = {Shapley Value-Guided Adaptive Ensemble Learning for Explainable Financial Fraud Detection with U.S. Regulatory Compliance Validation},
author = {Mohammad Nasir Uddin and Md Munna Aziz},
journal= {arXiv preprint arXiv:2604.14231},
year = {2026}
}
备注
28 pages. Submitted to Engineering Applications of Artificial Intelligence (Elsevier). IEEE-CIS dataset (590,540 transactions). Includes SGAE algorithm, SHAP stability evaluation, and OCC/SR 11-7 regulatory compliance mapping