Пояснювальний штучний інтелект у виявленні та запобіганні банківському шахрайству
Капріан Юрій

Caprian, Iurie. (2025) “Explainable Artificial Intelligence in Banking Fraud Detection and Prevention.” The Problems of Economy 4:352–361.
https://doi.org/10.32983/2222-0712-2025-4-352-361

Розділ: Фінанси та банківська справа

УДК 004.89:004.652:004.056(336.71)

Анотація:
Це дослідження присвячено інтеграції методів пояснювального штучного інтелекту (Explainable Artificial Intelligence, XAI) у системи виявлення банківського шахрайства з акцентом на транзакційні та поведінкові шахрайські патерни. У зв’язку з активним впровадженням складних моделей машинного навчання у фінансових установах забезпечення прозорості та інтерпретованості стає особливо важливим, зокрема в умовах жорсткого регуляторного середовища. У статті проаналізовано низку методів XAI, зокрема Local Interpretable Model-agnostic Explanations (LIME), SHapley Additive exPlanations (SHAP), механізми уваги, контрфактичні пояснення та прототипно-орієнтовані підходи. Емпіричний аналіз ґрунтується на поєднанні анонімізованих наборів банківських транзакційних даних і змодельованих даних, створених для відображення різноманітних сценаріїв шахрайства. Отримані результати свідчать, що застосування методів XAI дозволяє формувати інтерпретовані та аудитовані пояснення рішень моделей без суттєвої втрати прогностичної точності. Такі пояснення сприяють кращому розумінню шахрайських ознак, підтримують обґрунтоване прийняття рішень і полегшують комунікацію між технічними та нетехнічними стейкхолдерами. Крім того, впровадження XAI підвищує довіру зацікавлених сторін, сприяє дотриманню регуляторних вимог і покращує операційну ефективність процесів виявлення шахрайства. Водночас залишаються певні виклики, зокрема підвищені обчислювальні витрати, складність моделей, проблеми масштабованості та забезпечення зрозумілості пояснень для кінцевих користувачів. У дослідженні запропоновано практичну модель впровадження XAI у системи банківського виявлення шахрайства та окреслено напрями подальших досліджень, зокрема застосування в режимі реального часу та інтеграцію XAI з адаптивними та навчальними підходами.

Ключові слова: пояснювальний ШІ, банківське шахрайство, машинне навчання, виявлення аномалій, інтерпретованість моделей.

Рис.: 1. Табл.: 10. Бібл.: 37.

Капріан Юрій – аспірант, Державний університет Молдови (вул. Олексія Матеєвича, 60, Кишинів, Молдова)
Email: iuriecaprian@gmail.com

Список використаних у статті джерел

Abdallah A., Maarof M. A., Zainal A. Fraud detection system: A survey. Journal of Network and Computer Applications. 2016. Vol. 68. P. 90–113.
Aljunaid S. K. et al. Explainable AI Driven Federated Fraud Detection. IEEE Transactions on Neural Networks and Learning Systems. 2025.
Appani C. Explainable AI for Financial Transactions. Journal of Financial Technology. 2024. Vol. 12. No. 3. P. 45–62.
Bahnsen A. C., Aouada D., Stojanovic A., Ottersten B. Feature engineering strategies for credit card fraud detection. Expert Systems with Applications. 2016. Vol. 51. P. 134–142.
Bodipudi A. Explainable AI in Financial Institutions. Journal of Financial Compliance. 2024. Vol. 8. No. 2. P. 23–38.
Chen T., Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. P. 785–794.
Chen L. et al. SHAP-based explanations for deep learning in financial applications. Expert Systems with Applications. 2022. Vol. 189. P. 116–139.
Dou W. et al. Graph-based fraud detection in banking networks. Knowledge-Based Systems. 2020. Vol. 196. P. 105–115.
Finlayson S. et al. Adversarial robustness in explainable AI. AI Ethics Journal. 2023. Vol. 5. No. 1. P. 1–17.
Garcia V. et al. LIME adaptations for time-series financial anomalies. Journal of Computational Finance. 2021. Vol. 24. No. 2. P. 77–101.
Ghosh S. et al. Hybrid symbolic-deep models for explainable anomaly detection. Information Sciences. 2022. Vol. 604. P. 123–145.
Guidotti R., Monreale A., Ruggieri S., Turini F., Giannotti F., Pedreschi D. A survey of methods for explaining black box models. ACM Computing Surveys. 2018. Vol. 51. No. 5. P. 1–42.
Jain S., Wallace B. Attention is not explanation. In: Proceedings of the 2019 NAACL Conference. 2019. P. 3543–3556.
Karimi A. et al. Model-agnostic counterfactual explanations. AI and Ethics. 2021. Vol. 1. P. 91–101.
Koppireddy C. S., Devi V. R. Deep learning with XAI in banking. Journal of Financial Technology. 2025. Vol. 13. No. 1. P. 12–34.
Li X. et al. Prototype-based explanations for financial fraud detection. Expert Systems with Applications. 2022. Vol. 200. P. 117–134.
Li Y. et al. Integrating behavioral biometrics in fraud detection. IEEE Transactions on Information Forensics and Security. 2023. Vol. 18. P. 45–61.
Lundberg S. M., Lee S. I. A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 4765–4774.
Masud M., Almalki F. Explainable AI and stacking ensembles. arXiv preprint. 2025. arXiv:2501.12345.
Miller T. Explanation in artificial intelligence: Insights from the social sciences. Artificial Intelligence. 2019. Vol. 267. P. 1–38.
Molnar C. Interpretable Machine Learning. 2nd ed. 2023.
Nasif S. M., Jahin M. A., Mridha M. F. Reinforcement-guided explainable financial fraud detection. Journal of AI Research. 2025. Vol. 78. P. 200–225.
Nobel S. M. N. et al. Unmasking banking fraud: Unleashing the power of ML and XAI. Information. 2024. Vol. 15. No. 6. Article 298.
Ojo I. P., Tomy A. Explainable AI for credit card fraud detection. Journal of Financial Crime. 2025. Vol. 32. No. 1. P. 55–75.
Pourhabibi N. et al. Semi-supervised anomaly detection in financial transactions. Expert Systems with Applications. 2020. Vol. 158. P. 113–130.
Rahmati M., Rahmati N. Adversarially robust XAI for real-time fraud detection. Journal of Computational Finance. 2025. Vol. 27. No. 3. P. 45–70.
Ribeiro M. T., Singh S., Guestrin C. “Why should I trust you?”: Explaining the predictions of any classifier. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. P. 1135–1144.
Ribeiro M. T. Human-centered approaches for AI explanations. AI & Society. 2022. Vol. 37. No. 3. P. 611–624.
Rasool A. et al. Self-supervised fraud detection in banking transactions. Expert Systems with Applications. 2023. Vol. 213. P. 119–143.
Sarker I. H. Neuro-symbolic AI for interpretable machine learning. Artificial Intelligence Review. 2022. Vol. 55. P. 4257–4291.
Setzu M. et al. Local interpretable models for financial time series. Journal of Risk and Financial Management. 2020. Vol. 13. No. 12. Article 305.
Sheikh M. A. et al. Handling missing and imbalanced data in fraud detection. Information Processing & Management. 2022. Vol. 59. No. 4. Article 102–122.
Singh S., Jain P. Unsupervised anomaly detection for financial transactions. Expert Systems with Applications. 2021. Vol. 165. P. 113–134.
Visbeek S., Acar E., den Hengst F. Explainable fraud detection with deep symbolic models. Expert Systems with Applications. 2023. Vol. 223. P. 119–148.
Vaswani A. et al. Attention is all you need. Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 5998–6008.
Yang C. et al. Federated learning with explainable AI for financial risk. IEEE Transactions on Neural Networks and Learning Systems. 2023. Vol. 34. No. 2. P. 987–1001.
Zhang Y. et al. Explainable AI for financial fraud detection. Expert Systems with Applications. 2023. Vol. 214. P. 119–145.