Amélioration de la détection de fraude à l’aide de réseaux neuronaux spikants à convolution 1D par optimisation bayésienne

La numérisation du secteur bancaire a permis une augmentation croissante des activités frauduleuses au cours des dernières années. Le développement de nouvelles solutions pratiques pour la détection de la fraude s’avère particulièrement complexe, car l’industrie doit respecter un seuil de 5 % de faux positifs en détection de fraude, afin d’éviter des pertes financières. L’utilisation des algorithmes traditionnels d’apprentissage automatique soulève d’autres défis, tels que la discrimination dans la classification et une consommation énergétique élevée. Les réseaux de neurones à impulsions (Spiking Neural Networks), conçus pour imiter les processus naturels du cerveau, offrent une alternative prometteuse. En particulier lorsqu’ils sont déployés sur des architectures neuromorphiques, ils présentent une efficacité énergétique remarquable, ouvrant la voie au développement d’une intelligence artificielle durable. Notre approche consiste à appliquer des réseaux de neurones à impulsions 1D-convolutionnels pour améliorer la détection de fraude sur le jeu de données Bank Account Fraud, en optimisant les hyperparamètres par une méthode d’optimisation bayésienne. Nous démontrons ainsi que ces architectures permettent de surmonter le problème des données biaisées tout en maintenant une performance algorithmique supérieure par rapport à des approches plus traditionnelles, telles que les modèles de Gradient Boosting. En outre, nous détaillons le processus d’optimisation bayésienne des hyperparamètres, ce qui contribue à renforcer significativement la performance de ces algorithmes.