This book presents a comprehensive study on the integration of Graph Neural Networks (GNNs) with Explainable Artificial Intelligence (XAI) methods for financial fraud detection. It evaluates multiple GNN architectures such as GCN, GAT, GIN, GraphSAGE, HinSAGE, and FraudGNN, alongside traditional machine learning models like Neural Networks and Random Forest. Explanation methods including GNNExplainer, GraphMask, SHAP, and LIME are applied to provide transparency, interpretability, and trust in fraud detection tasks. The work offers systematic comparisons in terms of performance, fidelity,...

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...

Dieses Buch präsentiert eine umfassende Studie über die Integration von Graph Neural Networks (GNNs) mit Explainable Artificial Intelligence (XAI) Methoden zur Erkennung von Finanzbetrug. Es evaluiert mehrere GNN-Architekturen wie GCN, GAT, GIN, GraphSAGE, HinSAGE und FraudGNN neben traditionellen maschinellen Lernmodellen wie Neuronalen Netzen und Random Forest. Erklärungsmethoden wie GNNExplainer, GraphMask, SHAP und LIME werden angewendet, um Transparenz, Interpretierbarkeit und Vertrauen in Betrugserkennungsaufgaben zu schaffen. Die Arbeit bietet systematische Vergleiche in Bezug auf...