面向银行交易异常检测的可解释人工智能：内部审计视角

arXiv cs.LG 论文
explainable-ai anomaly-detection banking-transactions internal-audit financial-ai xai

摘要

本文从内部审计视角提出了一种可解释的人工智能方法，用于检测银行交易异常，解决了金融安全系统中的可解释性和信任问题。

arXiv:2607.13469v1 公告类型：新 摘要：银行业日益依赖自动化系统来监控电子交易中的欺诈迹象，然而传统的基于规则的方法难以应对高误报率，且无法为其输出提供合理解释，限制了合规团队的使用价值。本文介绍了一种专为内部审计工作流程中的银行交易异常检测而设计的可解释人工智能（XAI）框架。隔离森林（Isolation Forest）模型执行无监督异常评分，而SHAP（SHapley Additive exPlanations）层则基于合作博弈论提供交易级别的特征归因解释[8]。一个轻量级的Streamlit仪表板以审计专业人员无需机器学习专业知识即可理解的形式呈现这些输出。在合成银行数据集上的评估结果显示，精确率为0.91，召回率为0.88，优于三种无监督基线模型。专家反馈证实，特征级解释显著提升了审计员的信心和决策质量。该框架推动了在受监管金融环境中部署负责任、透明的AI的实践进程。
查看原文
查看缓存全文

缓存时间: 2026/07/16 04:22 

# 银行交易异常检测的可解释人工智能：内部审计视角
来源：https://arxiv.org/abs/2607.13469
文献工具

## 文献与引文工具

文献浏览器 切换

代码、数据、媒体

## 本文相关的代码、数据与媒体

演示

## 演示

相关论文

## 推荐与搜索工具

IArxiv 推荐器 切换

关于 arXivLabs

## arXivLabs：与社区合作伙伴共同开展实验项目

arXivLabs 是一个框架，允许合作者直接在 arXiv 网站上开发和分享新的 arXiv 功能。

无论是个人还是组织，只要与 arXivLabs 合作，都已接受并认同我们关于开放性、社区协作、卓越性和用户数据隐私的价值观。arXiv 坚守这些价值观，并只与遵循这些价值观的伙伴合作。

您是否有能为 arXiv 社区增添价值的项目创意？**了解更多关于 arXivLabs** (https://info.arxiv.org/labs/index.html)。

相似文章

人工智能在欺诈性银行操作识别中的应用

arXiv cs.LG

本文研究了人工智能和机器学习算法在识别欺诈性银行交易中的应用，提出了预处理技术并比较了多种模型。人工神经网络和堆叠泛化方法取得了更高的AUC分数，最佳结果约为0.954。

面向工业视觉检测的架构感知解释审计

arXiv cs.LG

本文针对工业视觉检测提出了一种架构感知的解释审计协议，通过晶圆图和异常检测数据集上的实验证明，解释方法的保真度受其与模型原生决策机制的结构兼容性约束。

一笔0.01欧元的银行转账可能危及银行AI代理

Hacker News Top

Blue41披露了Bunq AI助手中的间接提示注入漏洞，一笔带有恶意交易描述的小额银行转账可能将该助手转化为定向钓鱼攻击的载体，这凸显了金融AI代理面临的更广泛架构挑战。