近年、銀行業界のデジタル化に伴い、不正行為の増加が顕著になっている。不正検出のための新たな実用的解決策の開発は、業界が不正検出の誤検出率を5％という閾値以下に抑える必要があることから、特に困難な課題である。これは、金銭的損失を回避するためである。従来の機械学習アルゴリズムの活用には、分類の偏り（classification discrimination）や高エネルギー消費といった新たな課題も伴う。これに対して、脳の自然な処理プロセスを模倣するように設計されたスパイキングニューラルネットワーク（Spiking Neural Networks, SNN）は、有望な代替手段として注目されている。特に、ニューロモルフィックハードウェア上で実行される際、極めて高いエネルギー効率を発揮し、持続可能な人工知能（AI）の発展に道を開いている。本研究では、ベイズ最適化を用いたハイパーパラメータ最適化を実施しつつ、1次元畳み込み型スパイキングニューラルネットワーク（1D-Convolutional Spiking Neural Networks）を、Bank Account Fraudデータセットにおける不正検出に適用するアプローチを提案する。その結果、従来の勾配ブースティングモデル（Gradient Boosting models）と比較して、データのバイアス問題を効果的に克服しつつ、アルゴリズムの性能を維持できることを示した。さらに、ハイパーパラメータ最適化プロセスを明確に提示することで、これらのアルゴリズムの性能向上を実現した。