在银行业，自动化系统越来越多地用于监控电子交易以识别欺诈迹象，但传统的基于规则的方法常常面临高假阳性率，并且无法为其输出提供合理解释，限制了其在合规团队中的实用性。
本文提出了一种针对银行交易异常检测的可解释人工智能（XAI）框架，特别适用于内部审计工作流程。该框架采用孤立森林（iForest）模型进行无监督异常评分，同时引入SHAP（Shapley加性解释）层，基于合作博弈理论提供交易级别的特征归因解释。
此外，一个轻量级的Streamlit仪表板将这些输出以易于审计专业人员理解的形式呈现，无需机器学习专业知识。对合成银行数据集的评估显示，该框架实现了0.91的精确率和0.88的召回率，优于三种无监督基线模型。
专家反馈确认，特征级别的解释显著提高了审计人员的信心和决策质量。该框架推动了可问责、透明的人工智能在受监管金融环境中的实际应用。
博主点评： 该研究展示了如何有效结合可解释性与异常检测，提升了审计工作的效率与准确性。这一框架不仅解决了传统方法的局限性，还为金融行业的合规性提供了新的技术支持，值得进一步推广和应用。