A Systematic Review of Machine Learning Advances in Financial Fraud Detection for Banking Systems
Notice bibliographique
Résumé
Financial fraud in banking systems constitutes one of the most consequential operational risks confronting global financial institutions, with annual losses estimated across fraud typologies including payment card fraud, account takeover, synthetic identity fraud, and money laundering. This systematic review synthesises literature on machine learning advances in financial fraud detection published between 2010 and 2022, examining 312 peer-reviewed studies across supervised, unsupervised, and hybrid detection architectures. The review maps methodological evolution from logistic regression baselines through ensemble gradient boosting methods, deep learning architectures, graph neural networks, and federated learning frameworks. XGBoost and gradient-boosted ensemble methods consistently achieve AUC-ROC values above 0.97 under optimally calibrated sampling strategies. Four primary deployment challenges are identified and examined: class imbalance management, concept drift in evolving fraud patterns, regulatory interpretability requirements, and real-time scoring latency. A Responsible Analytics Framework integrating technical excellence, regulatory compliance by design, continuous monitoring, human oversight, and equity assurance is proposed with supporting comparative tables.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,011 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,007 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».