スパikingニューラルネットワーク（SNNs）は、実際の脳の挙動に着想を得ており、従来の人工ニューラルネットワークに比べてエネルギー効率が高く、神経集団の同時活動（population coding）を伴う特徴を持つ。この集団符号化は、出力層における各クラスに複数のニューロンを割り当てることで、SNNsにおいて再現される。本研究では、実世界のデータセット、すなわちBank Account Fraudデータセット群を用いて、SNNを不正な口座開設検出に応用し、従来の機械学習アルゴリズムに内在する公平性およびバイアスの問題に対処している。1D畳み込みSNNにおいて、時間ステップ数および集団サイズの異なる設定を比較し、ベイズ最適化を用いてハイパーパラメータを最適化した。提案するSNNアプローチは、神経集団活動を活用することで、標準的なSNNよりも不正な口座開設の分類をより正確かつ公平に行える。結果から、ビジネス上の制約（偽陽性率5%）下で平均47.08%のリコールを達成し、非集団符号化ベースラインを上回る可能性が示された。これは、不正検出における堅牢なソリューションとしてのSNNの潜在能力を示している。さらに、本手法は勾配ブースティング機械学習モデルと同等の性能を達成しつつ、敏感な属性に関する予測的等価性（predictive equality）を90%以上維持している。