Neues KI-Framework verbessert Spiking Neural Networks bei Finanzbetrugserkennung

Mit der zunehmenden Nutzung von Online‑Banking steigen die Risiken von Cyberbetrug. Für Banken ist es daher entscheidend, Betrugs­erkennungs­systeme zu entwickeln, die nicht nur hochpräzise, sondern auch fair und nachvollziehbar sind. Traditionelle KI‑Modelle stoßen dabei an Grenzen: Sie sind oft rechenintensiv, die Interpretierbarkeit von Spiking Neural Networks (SNNs) bleibt schwierig und die Optimierung der Hyperparameter über hyper‑heuristische Reinforcement‑Learning‑Ansätze ist komplex und instabil.

Um diese Herausforderungen zu meistern, stellt das neue Forschungs­framework die Kombination aus einem Cortical Spiking Network mit Population Coding (CSNPC) und einem Reinforcement‑Guided Hyper‑Heuristic Optimizer für Spiking Systems (RHOSS) vor. Das CSNPC nutzt population‑basiertes Codieren, um robuste Klassifikationen zu liefern, während RHOSS mittels Q‑Learning dynamisch die besten Low‑Level‑Heuristiken für die Hyperparameter‑Optimierung auswählt – dabei werden Fairness‑ und Recall‑Kriterien berücksichtigt.

Das System ist in den Modular Supervisory Framework for Spiking Network Training and Interpretation (MoSSTI) eingebettet und integriert erklärbare KI‑Techniken wie saliency‑basierte Attributionen und Spike‑Activity‑Profiling. Auf dem Bank Account Fraud (BAF) Datensatz erzielte das Modell einen Recall von 90,8 % bei einem strengen FPR von 5 %. Damit übertrifft es sowohl spiking‑ als auch nicht‑spiking‑basierte Modelle und hält gleichzeitig eine Vorhersage‑Gleichheit von über 98 % für zentrale demografische Merkmale. Die Explainability‑Module bestätigen, dass die wichtigsten Merkmale durch die Saliency‑Analyse eindeutig identifiziert werden können.