融合元启发式优化与可解释人工智能的混合深度学习欺诈检测框架

《Scientific Reports》：A novel deep learning-based fraud detection framework integrating autonomous PSO-GA-based feature selection, hyperparameter optimization, and explainable artificial intelligence

　　

摘要

欺诈检测是金融安全的重要组成部分，旨在从海量的合法金融活动中准确区分欺诈交易。然而，这项任务仍然极具挑战性，因为欺诈者不断演变其攻击策略以规避现有安全机制，同时交易数据集中固有的严重类别不平衡进一步降低了检测性能。尽管已提出多种方法，但尚未成功开发出一种稳健、准确且可解释的欺诈检测系统。本文提出了一种新颖的混合深度学习框架用于欺诈检测，以解决这些问题。本工作的主要贡献在于开发了一种混合框架，其特征是拥有一种自主优化机制，该机制动态在粒子群优化 (PSO) 和遗传算法 (GA) 之间进行选择以用于超参数优化和特征选择，采用深度学习 (DL) 模型进行欺诈分类，并整合了 Grad-CAM、SHAP 和 LIME 的可解释人工智能 (XAI) 层，以提供模型决策的全局和局部解释。所提出的方法包括四个主要阶段：数据预处理、基于元启发式的超参数优化和特征子集选择、使用深度学习 (DL) 和机器学习 (ML) 模型进行交易分类，以及基于 XAI 的可解释性分析。所提出的框架在欧洲持卡人欺诈数据集中的 284,807 笔交易以及 BankSim 信用卡支付数据集上进行了彻底测试，并与多种前沿方法进行了对比。实验结果表明，基于紧凑的 14 特征子集 (α3) 训练的具有 XAI 功能的 PSO 优化 LSTM 框架始终优于所有竞争模型，并在计算效率、预测性能、稳健性、降低误报率和可解释性之间取得了最佳的平衡。所提出的模型达到了 0.9954 的 AUC-ROC、93.65% 的 F1 分数、95.62% 的精确率和 99.96% 的准确率，在优于前沿方法的同时，为欺诈检测提供了计算效率高且更可靠的解决方案。