SHAP（シャプレイ値）ガイド付き適応型アンサンブル学習による、説明可能な金融不正検知と米国規制適合の検証
arXiv cs.LG / 2026/4/17
📰 ニュースDeveloper Stack & InfrastructureIdeas & Deep AnalysisModels & Research
要点
- 本論文は、OCC Bulletin 2011-12や連邦準備制度のSR 11-7などの規制で求められる監査可能な説明に対応できない「ブラックボックス」性が、米国の不正検知AIの実運用の障壁になっている点に取り組む。
- 説明の品質を、忠実度（k=5/10/15での十分性・網羅性）と安定性（ブートストラップ30サンプルでのKendallのW）で評価し、TreeExplainerと組み合わせたXGBoostが高い安定性（W=0.9912）を示す一方、DeepExplainerとLSTMは弱い結果（W=0.4962）だった。
- SHAP-Guided Adaptive Ensemble（SGAE）を提案し、取引ごとにSHAP帰属の一致度にもとづいてアンサンブル重みを動的に調整することで、全手法中最高のAUC-ROCを達成した（保持データ0.8837、交差検証0.9245）。
- IEEE-CISの全590,540取引データでLSTM/Transformer/GNN-GraphSAGEを比較し、GNN-GraphSAGEが最良（AUC-ROC 0.9248、F1=0.6013）と報告している。
- これらの説明・検証結果を、OCC、SR 11-7、BSA-AMLの規制要件に直接マッピングしている。
