Explainable Artificial Intelligence in Banking Fraud Detection and Prevention
Loading...
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Науково-дослідний центр індустріальних проблем розвитку НАН України
Abstract
This study examines the integration of Explainable Artificial Intelligence (XAI) techniques in banking fraud detection, focusing on transaction-based and behavioral fraud patterns. As financial institutions increasingly adopt complex machine learning models, ensuring transparency and interpretability has become essential, particularly in regulated environments. The paper analyzes several XAI methods, including Local Interpretable Model-agnostic Explanations (LIME), SHapley Additive exPlanations (SHAP), attention mechanisms, counterfactual explanations, and prototype-based approaches. The empirical analysis is based on a combination of anonymized banking transaction datasets and simulated data designed to reflect diverse fraud scenarios. The results indicate that XAI techniques can generate interpretable and auditable explanations of model decisions while maintaining a high level of predictive accuracy. These explanations improve the understanding of fraud-related patterns, support more informed decision-making, and facilitate communication between technical and non-technical stakeholders. Moreover, the adoption of XAI enhances stakeholder trust, supports regulatory compliance, and improves operational efficiency in fraud detection processes. Nevertheless, challenges remain, including increased computational costs, model complexity, scalability, and the difficulty of ensuring that explanations are easily understood by end users. The study proposes a practical framework for implementing XAI in banking fraud detection systems and highlights future research directions, such as real-time applications and the integration of XAI with adaptive and learning-based approaches.
Description
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.
Keywords
SOCIAL SCIENCES::Business and economics::Economics, SOCIAL SCIENCES::Business and economics, LAW/JURISPRUDENCE::Financial law, SOCIAL SCIENCES::Statistics, computer and systems science::Informatics, computer and systems science::Information technology
Citation
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