实现可审计的欺诈检测：结合图形特征、模型解释和代理案例调查

欺诈检测系统必须随着交易量的增加而扩展，同时保持可解释和可审查。我们研究了 PaySim 数据集上的分层管道，该管道结合了梯度增强分类器、图导出的结构特征、基于自动编码器的异常信号、TreeSHAP 解释以及应用于分类器分数不确定的情况的有界 LLM 调查代理。在进行任何模型比较之前，我们会识别并删除模拟器特定的平衡快捷方式，否则会夸大基线性能。进行此校正后，图形特征和异常信号都不会提高整个测试集的平均精度。然而，两者都在获得中间基线分数的案例子集中对欺诈进行了更好的排名。在注入多账户欺诈环的受控实验中，工程结构特征恢复了所有注入的测试交易，而表格基线遗漏了大约四分之一的交易。尽管可以访问模型解释、图形上下文和检索到的参考案例，但调查代理在其所依赖的分类器的直接阈值处理方面表现不佳，在平衡的 60 个案例样本上达到了 65.0% 的准确度，而在平衡的 60 个案例样本上，准确度为 71.7%。在代理更改的八个决策中，有六个用错误替换了正确的分类器输出，并且在每种情况下都产生了连贯的书面理由。探索性的基于分歧的升级规则标记了其中两个代理错误以供人工审核，但没有标记任何正确的决定。我们的结论是，分层欺诈系统的每个组成部分仅在特定条件下起作用，并且调查机构的合理理由并不能证明更好的决策。