الشبكات العصبية ذات الانفجارات (SNNs)، التي تُلهمها سلوك الدماغ الحقيقي، تقدم بديلاً أكثر كفاءة من حيث الطاقة مقارنة بالشبكات العصبية الاصطناعية التقليدية، مع دمج النشاط العصبي المشترك، المعروف أيضًا باسم الترميز السكاني. ويُحاكَى هذا الترميز السكاني في الشبكات العصبية ذات الانفجارات من خلال تخصيص أكثر من عصبون واحد لكل فئة في الطبقة الناتجة. وقد استخدمت هذه الدراسة الشبكات العصبية ذات الانفجارات للكشف عن الاحتيال من خلال مجموعات بيانات واقعية، تشمل مجموعة بيانات الاحتيال في الحسابات المصرفية، بهدف معالجة قضايا المساواة والتحيّز المتأصلة في خوارزميات التعلم الآلي التقليدية. تم مقارنة تكوينات مختلفة من عدد الخطوات الزمنية وحجم المجموعات العصبية داخل شبكة عصبية ذات انفجارات مفردة التحويل (1D-Convolutional SNN)، مع تحسين المعلمات الفائقة من خلال عملية تحسين بايزي (Bayesian optimization). ويُظهر النهج المُقترح للشبكة العصبية ذات الانفجارات، الذي يعتمد على النشاط العصبي المشترك، تصنيفًا أكثر دقة وعدالة لحالات فتح الحسابات المصرفية الاحتيالية مقارنة بالشبكات العصبية التقليدية ذات الانفجارات. وتُبرز النتائج إمكانات الشبكات العصبية ذات الانفجارات في التفوق على النماذج الأساسية التي لا تعتمد الترميز السكاني، حيث تحقق متوسط استدعاء (recall) بلغ 47.08٪ ضمن قيد عمل تبلغ نسبة الأخطاء الإيجابية الكاذبة (false positive rate) فيه 5٪، مما يوفر حلاً قويًا للكشف عن الاحتيال. علاوةً على ذلك، تحقق الطريقة المقترحة نتائج مماثلة لنماذج آلات التحسين التدريجي (gradient-boosting)، مع الحفاظ على مساواة التنبؤ بالنسبة للخصائص الحساسة بأكثر من 90٪.