迈向透明的金融人工智能：信用风险与欺诈检测中图学习及可解释性方法的系统综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Towards transparent financial AI: a systematic review of graph learning and explainable methods for credit risk and fraud detection

　　

摘要

基于图的学习和可解释人工智能技术被越来越多地用于提升金融风险建模的预测性能与透明度。本文对用于信用风险评估和欺诈检测的人工智能及机器学习方法进行了系统性文献综述，重点关注基于图的方法以及可解释框架。采用PRISMA指导方法，对2015年至2025年间发表在多个学术数据库中的149项研究进行了分析。综述得出了三个关键结论：首先，基于图的模型，尤其是图神经网络，能够更好地处理金融数据中的关联依赖关系，不过其在欺诈检测领域的应用更为成熟，而在信用风险评估方面的应用则相对较少；其次，SHAP、LIME等可解释人工智能技术以及基于规则的方法被越来越多地用于提升模型的可解释性、可审计性以及符合监管要求，但它们与基于图模型的整合仍然有限；第三，当前的研究正从单纯的预测建模转向以实际应用为导向的金融人工智能系统，这类系统需要解决类别不平衡、概念漂移、可扩展性、实时监控以及治理等问题。为弥补这些不足，本文提出了一种以实际应用为导向的参考框架，将图构建、基于图的建模、可解释机制、监控、人工监督以及治理控制相互关联起来。这些研究结果为构建可扩展、透明且具备责任意识的金融人工智能系统提供了系统的总结与实用指导。