Réseaux neuronaux graphiques explicables pour la détection des fraudes: Intégration de l'XAI dans les modèles d'apprentissage automatique basés sur graphes sécurité financière

Cet ouvrage présente une étude complète sur l'intégration des réseaux neuronaux graphiques (GNN) avec les méthodes d'intelligence artificielle explicable (XAI) pour la détection des fraudes financières. Il évalue plusieurs architectures GNN telles que GCN, GAT, GIN, GraphSAGE, HinSAGE et FraudGNN, ainsi que des modèles d'apprentissage machine traditionnels tels que les réseaux neuronaux et Random Forest. Des méthodes d'explication telles que GNNExplainer, GraphMask, SHAP et LIME sont appliquées pour assurer la transparence, l'interprétabilité et la confiance dans les tâches de détection des fraudes. Ce travail propose des comparaisons systématiques en termes de performance, de fidélité, de durée d'exécution et d'interprétabilité, étayées par des études de cas visuelles. Il met en évidence la manière dont la combinaison du raisonnement basé sur les graphes avec les techniques d'explicabilité peut améliorer les systèmes de détection des fraudes et répondre aux exigences émergentes d'une IA digne de confiance et responsable.