摘要
脉冲神经网络（Spiking Neural Networks, SNNs）受真实大脑行为的启发，相较于传统人工神经网络，在能效方面展现出显著优势，同时具备神经元群体协同活动的特性，也称为群体编码（population coding）。在SNNs中，该群体编码机制通过在输出层为每个类别分配多个神经元来实现。本研究基于真实世界数据集——银行账户欺诈数据集套件，利用SNNs开展欺诈检测任务，旨在解决传统机器学习算法固有的公平性与偏差问题。研究在1D卷积脉冲神经网络框架下，对比分析了不同时间步长与群体规模的配置，并通过贝叶斯优化方法对网络超参数进行调优。所提出的具备神经元群体协同活动的SNN方法，在银行账户欺诈开户行为的分类任务中，相较标准SNN模型展现出更高的准确率与公平性。实验结果表明，该方法在满足业务约束（假阳性率不超过5%）的前提下，平均召回率可达47.08%，显著优于非群体编码基线模型，展现出在欺诈检测任务中的强大潜力。此外，该方法在性能上可与梯度提升机（gradient-boosting machine）模型相媲美，同时在敏感属性上的预测公平性（predictive equality）保持在90%以上，有效缓解了模型对特定群体的偏见问题，为构建高效、公平的金融欺诈检测系统提供了有力支持。