《Knowledge-Based Systems》：Reinforcement-Guided Hyper-Heuristic Hyperparameter Optimization for Fair and Explainable Spiking Neural Network-Based Financial Fraud Detection
编辑推荐：
金融欺诈检测中，基于群体编码的类脑突触神经网络（CSNPC）结合强化学习引导的超启发式优化器（RHOSS），在模块化可解释框架（MoSSTI）中实现高召回率（90.8%）、低误报率（5%）及多维度公平性。
Sadman Mohammad|Md Abrar Jahin|M.F. Mridha
计算机科学与工程系，库尔纳工程技术大学（KUET），库尔纳，9203，孟加拉国
摘要
随着家庭银行系统的日益普及，网络欺诈的风险也随之增加，因此需要不仅准确而且公平且可解释的欺诈检测机制。尽管人工智能（AI）模型在这一领域展现出了潜力，但它们仍面临一些关键限制，包括计算效率低下、脉冲神经网络（SNN）的可解释性挑战，以及基于超启发式强化学习（RL）的超参数优化的复杂性和收敛性不稳定问题。为了解决这些问题，我们提出了一个新颖的框架，该框架将皮层脉冲网络与群体编码（CSNPC）和强化引导的超启发式优化器（RHOSS）相结合。CSNPC是一种受生物学启发的SNN，采用群体编码进行鲁棒分类；而RHOSS则利用Q学习在公平性和召回率约束下动态选择低级启发式策略来进行超参数优化。该系统嵌入在模块化脉冲网络训练与解释框架（MoSSTI）中，并结合了可解释AI（XAI）技术，特别是基于显著性的归因和脉冲活动分析，以提高透明度。在银行账户欺诈（BAF）数据集上的评估显示，我们的模型在严格的5%误报率（FPR）下实现了90.8%的召回率，优于现有的脉冲和非脉冲模型，并且在关键人口统计属性上保持了超过98%的预测一致性。虽然RHOSS引入了离线搜索成本，但这种成本在推理占主导地位的部署过程中被摊销掉了。CSNPC的架构稀疏性确保了每笔交易的能耗低于密集型ANN，这一点得到了神经形态学基准测试的支持。可解释性模块进一步证实了显著性归因与脉冲动态的一致性，验证了其可解释性。这些结果展示了将群体编码的SNN与强化引导的超启发式方法结合在现实世界金融应用中进行公平、透明和高性能欺诈检测的潜力。
引言
近年来，由于技术进步和对便捷、可访问的金融服务需求的增加，家庭银行系统变得越来越流行。然而，这种对数字平台的依赖也带来了网络欺诈的额外风险，导致该行业遭受了重大经济损失。由于在检测此类欺诈方面的有效性，人工智能（AI）算法已成为家庭银行系统的常见安全措施[1]、[2]。然而，AI算法也存在一些缺点，主要是由于处理大量数据和浮点运算时的计算效率低下[3]、[4]。脉冲神经网络（SNN）作为一种潜在的解决方案，提供了节能的同时仍保持高欺诈检测性能的方案[5]。
SNN模仿了大脑作为通过电化学信号相互作用的复杂神经元网络以及处理信息的互连细胞群体[6]、[7]、[8]、[9]。由于其事件驱动的特性和稀疏架构，当与神经形态学硬件结合时，它们可以比传统的人工神经网络（ANN）实现更低的能耗。最近的研究越来越多地集中在改进SNN的学习机制上，旨在复制大脑神经元的激活方式，即通过脉冲神经元的突触冲动激活大脑的整个区域[10]、[11]。这种协调活动可以通过群体编码实现，其中一组神经元共同表示和处理信息，与机器学习（ML）问题中为每个目标类别分配一个神经元的方法相比，提供了更高的鲁棒性、效率和准确性[5]、[12]。这一突破可能使SNN在包括欺诈检测在内的各种应用中开辟新的可能性，尽管在针对实际场景优化这些网络方面仍存在挑战。
SNN模型的一个主要挑战是训练过程，在此过程中模型必须优化其超参数。这就是超启发式强化学习（HHRL）发挥作用的地方。HHRL是一种将超启发式方法与强化学习（RL）结合起来的方法，用于在复杂环境中优化决策。超启发式方法是生成或选择用于解决计算任务的启发式策略或参数的专用算法。当与强化学习结合时，它可以根据环境的连续反馈动态选择和细化这些启发式策略[14]。这种组合使系统能够随着时间的推移不断进化和改进，对于传统基于启发式的优化器常常不足的超参数优化问题非常有效[15]。HHRL的主要优势在于它能够处理不确定性并适应复杂问题空间，通过学习选择最合适的启发式策略，最终提高模型的性能和灵活性。
为了确保这些复杂模型在现实世界应用中保持可理解、透明和可信，可解释性成为整个框架的关键组成部分。可解释AI（XAI）指的是使机器学习模型的决策和预测对人类更易于理解的技术[16]。随着当前模型变得越来越复杂，这些系统的本质继续超出了用户和客户的理解范围。XAI提供了诸如可视化、基于规则的解释或人类可理解的特征等技术，以向用户或客户提供解释。使用XAI以及可视化技术和解释还有助于模型调试，并确保公平性和道德决策[17]、[18]。
在这项研究中，我们开发了一个模型，该模型将HHRL与皮层脉冲网络和群体编码（CSNPC）相结合，这是一种受生物学启发的卷积脉冲神经网络（CSNN）。我们的模型使用银行账户欺诈（BAF）数据集在现实世界的基准问题上改进了金融欺诈检测[19]。该模型嵌入在模块化脉冲网络训练与解释框架（MoSSTI）中，通过基于显著性的归因和脉冲活动分析使模型更具可解释性。此外，我们的模型考虑了现实世界客户人口统计特征的变化，确保无论客户的人口统计差异如何都能保持公平性[20]。我们模型的另一个改进是其误报率（FPR）阈值低于5%，从而减少了对普通客户的影响，使其适合在现实世界中部署。群体编码通过将表示分布在神经元之间，提高了鲁棒性和公平性，减少了对人口统计偏见的敏感性。RHOSS将超参数优化形式化为马尔可夫决策过程，使得在公平性约束下能够动态适应，这是以往研究中未探索的方法。
本研究的主要贡献包括：
1.我们提出了CSNPC，这是一种具有群体编码的皮层脉冲神经网络，提高了不平衡欺诈检测的鲁棒性、公平性和召回率。与之前的SNN不同，CSNPC利用结构化的脉冲输出来提高类别级别的可分性，同时严格遵守5%的FPR约束。
2.我们引入了强化引导的超启发式优化器（RHOSS），这是一种基于Q学习的超启发式优化框架，用于动态选择低级启发式操作来搜索脉冲超参数空间。RHOSS实现了公平意识强的、以奖励为导向的探索，在收敛稳定性和约束满足方面优于静态和贝叶斯方法。
3.我们将CSNPC和RHOSS集成到MoSSTI框架中，提供了一个统一的训练和解释流程。通过结合基于显著性的归因和脉冲活动分析，MoSSTI实现了双路径可解释性，揭示了脉冲行为与特征相关性之间的强对应关系。
4.我们在BAF数据集上进行了严格的评估，涵盖了六种公平敏感的变体和三个人口统计属性（年龄、收入、就业）。我们的方法在现实世界约束下始终表现出泛化能力、道德一致性以及比脉冲和经典基线更好的性能。
文章分为六个部分。第22节概述了SNN和类似模型的过去研究。第33节描述了我们的模型及其工作原理。第44节解释了实验中使用的资源、数据集和评估参数。第55节描述了实验结果及其与其他工作的比较。第66节总结了论文并指出了未来改进的机会。
文献综述
由于家庭银行系统的兴起，网络欺诈已成为金融机构的主要关注点。欺诈检测一直是研究人员长期关注的焦点，尤其是在人工智能领域。Jesus等人最近开发的BAF数据集被用于改进在现实世界客户人口统计中常见的高度不平衡数据下的欺诈检测[19]。此外，BAF数据集对某些群体存在偏见，
提出的方法
我们提出的方法采用两阶段过程来优化和评估CSNPC，这是一种受生物学启发的1D CSNN。该架构包括三个卷积层，分别具有32、128和256个滤波器（核大小为2），每个层后面都跟着最大池化和LIF神经元，以捕捉T模拟步骤中的时空动态。输出被扁平化并投影到P个脉冲神经元上，每个类别分配P/2个神经元，从而通过群体脉冲求和实现预测。
实验设置
实验评估在配备NVIDIA T4 Tensor Core GPU（2,560个CUDA核心和320个Tensor Core）的服务器上进行，使用可复制的随机种子进行统计验证。采用了多种专用软件库来支持模型开发和数据处理的各个阶段。Aequitas版本1.0.0 [33]用于分组差异分析，而CTGAN [34]用于BAF数据集的原始构建。没有进行显式的重采样或
结果与讨论
本节对通过RHOSS优化的CSNPC进行了综合评估，并使用MoSSTI进行了解释。评估涵盖了预测性能、公平性权衡和可解释性，评估基于六个时空编码配置进行，这些配置由时间步长S?∈?{20, 50}和群体大小P?∈?{2, 20, 200}定义。
结论
在这项研究中，我们提出了将SNN与超启发式优化器和XAI结合的应用，重点处理高度不平衡的数据集。我们的架构设计和超参数优化实现了一种新的方法，有效解决了欺诈检测问题，同时严格遵守了FPR的严格业务约束。与之前的SNN和旧模型（如决策树和梯度提升算法）相比，我们的模型表现出竞争力
CRediT作者贡献声明
Sadman Mohammad：撰写——原始草稿、软件、资源、调查、正式分析、数据整理。Md Abrar Jahin：撰写——原始草稿、可视化、软件、项目管理、方法论、调查、正式分析、概念化。M.F. Mridha：撰写——审阅与编辑、验证、监督。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
资金来源
本研究没有收到来自公共、商业或非营利部门的任何特定资助。
