Les réseaux neuronaux à impulsions (SNNs), inspirés du fonctionnement du cerveau réel, offrent une alternative économe en énergie par rapport aux réseaux neuronaux artificiels traditionnels, tout en intégrant une activité neuronale collective, également appelée codage de population. Ce codage de population est reproduit dans les SNNs en attribuant plus d’un neurone à chaque classe dans la couche de sortie. Cette étude exploite les SNNs pour la détection de fraude à partir de jeux de données réels, notamment la suite de données sur la fraude sur les comptes bancaires, en abordant les problèmes de biais et d’équité inhérents aux algorithmes d’apprentissage automatique conventionnels. Différentes configurations de pas de temps et de tailles de population ont été comparées au sein d’un réseau neuronal à impulsions convolutif 1D, dont les hyperparamètres ont été optimisés par une procédure d’optimisation bayésienne. Notre approche proposée de SNN intégrant une activité neuronale collective permet une classification plus précise et plus équitable des ouvertures frauduleuses de comptes bancaires par rapport aux SNN standards. Les résultats mettent en évidence le potentiel des SNNs de surpasser les méthodes de référence non basées sur le codage de population, en atteignant une rappel moyen de 47,08 % sous une contrainte métier de 5 % de taux de faux positifs, offrant ainsi une solution robuste pour la détection de fraude. En outre, l’approche proposée atteint des performances comparables à celles des modèles basés sur le gradient boosting tout en maintenant une égalité prédictive vis-à-vis des attributs sensibles à un niveau supérieur à 90 %.