.png){kind=icon}
返回
A novel deep learning-based fraud detection framework integrating autonomous PSO-GA-based feature selection, hyperparameter optimization, and explainable artificial intelligence
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-69921-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
欺诈检测是金融安全的关键组成部分，旨在从大量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，而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。尽管提出了众多方法，但尚未成功开发出稳健、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。本工作的主要贡献是开发了一个具有自主优化机制的混合框架，该机制动态选择粒子群优化（PSO）和遗传算法（GA）进行超参数优化和特征选择，深度学习（DL）模型用于欺诈分类，以及一个集成Grad-CAM、SHAP和LIME的解释性人工智能（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。该框架在284,807笔欧洲持卡人欺诈数据集和BankSim信用卡支付数据集上进行了全面测试，并与多种前沿方法进行了对比。实验结果表明，基于紧凑14特征子集（α3）训练的XAI赋能的PSO优化的LSTM框架持续优于所有竞争模型，并在计算效率、预测性能、鲁棒性、误报减少和可解释性之间实现了最有利的平衡。所提出的模型达到了AUC-ROC 0.9954、F1分数93.65%、精确率95.62%和准确率99.96%，在提供计算高效且更可靠的欺诈检测解决方案的同时超越了前沿方法。
Keyword:
Fraud detection
Machine learning
Particle swarm optimization
Genetic algorithm
Explainable artificial intelligence
SHAP
LIME
Deep learning
Feature selection
