银行交易异常检测中的可解释人工智能：内部审计视角

这篇论文提出一个面向银行交易异常检测的可解释人工智能框架，该框架使用孤立森林（Isolation Forest）进行无监督异常评分，并通过SHAP技术提供交易级别的特征归因解释。结果通过轻量级Streamlit仪表盘呈现给没有机器学习背景的审计人员。在合成银行数据集上，框架达到0.91精度和0.88召回，优于三个无监督基线。专家反馈表明特征级解释显著提高了审计员对异常判断的信心和决策质量。

传统银行交易监控依赖规则引擎，误报率高且无法解释输出逻辑，审计团队难以快速验证异常原因。该框架首次在内部审计工作流中提供基于博弈论的特征归因解释，使审计员能理解每笔异常交易的成因，有助于提升监管合规审计效率和可信度。

孤立森林通过随机划分特征空间，将异常点定义为容易被隔离的少数样本，从而进行无监督异常评分。SHAP利用合作博弈论中的Shapley值，计算每个特征对异常分数的边际贡献，生成可解释的局部特征归因，使审计员能识别导致交易异常的关键特征（如金额、时间、地点）。

该框架可直接嵌入银行现有交易监控系统，为内部审计团队提供可视化异常分析仪表盘，降低对机器学习专家的依赖。相比纯规则方法，审计员能更快定位问题特征，减少人工调查时间；同时框架的开源实现（Streamlit）降低了集成成本。但仅在合成数据上验证，实际生产环境效果待确认。

• 为银行交易监控系统开发可解释异常检测插件，集成iForest+SHAP模块，输出交易风险热力图和特征归因报告。
• 基于该框架设计审计专用仪表盘，将SHAP摘要图、瀑布图等可视化组件封装成可配置工具。
• 提供预训练模型评估服务，帮助银行在真实交易数据上校准阈值并验证解释一致性。

• 框架在真实银行交易数据集上的精度、召回和解释稳定性能否达到合成数据水平？
• 是否支持实时流式交易处理，以及延迟是否满足风控要求？
• SHAP解释对不同类型的账户（如个人、企业）是否依然有效？
• 不同审计团队对该解释界面（Streamlit）的接受度和学习曲线如何？