摘要

近年来，银行业数字化进程的加速导致欺诈活动日益增多。开发新型实用的欺诈检测解决方案面临严峻挑战，因为行业要求欺诈误报率必须控制在5%以下，以避免造成经济损失。传统机器学习算法在应用中还面临分类歧视和高能耗等难题。脉冲神经网络（Spiking Neural Networks）作为一种模拟大脑自然运作机制的新型神经网络架构，展现出极具吸引力的替代前景。尤其在类脑计算硬件上，其具备卓越的能效优势，为可持续人工智能的发展提供了重要路径。本文提出将一维卷积脉冲神经网络（1D-Convolutional Spiking Neural Networks）应用于银行账户欺诈数据集，通过贝叶斯优化方法对模型超参数进行调优，以提升欺诈检测性能。实验结果表明，该架构在处理数据偏差问题方面表现优异，相较于梯度提升（Gradient Boosting）等传统方法，既能有效降低误报率，又能保持甚至超越原有算法的检测性能。此外，本文系统阐述了超参数的贝叶斯优化流程，显著提升了模型整体性能，为未来智能金融安全系统的设计提供了可借鉴的技术范式。