在当前的大流行期间，在线服务变得无处不在。与此同时，网络金融诈骗也激增。已经创建了很多自动欺诈检测模型;然而，他们中的大多数人无法解释这些方法的工作原理以及模型做出决定的原因。因此，他们不遵守道德和监管规定。

最近 arXiv.org 上的一篇论文探讨了对有监督和无监督模型检测到的欺诈的解释。

先前建议的方法是在实时欺诈系统上进行研究的。该研究强调了选择合适的背景数据集的重要性。研究的几种方法是可靠的，但高可靠性往往意味着较低的速度。因此，将几种不同的模型结合起来很有用：提供实时解释的更快的模型和更可靠的模型以实现监管合规性并在回顾中检查模型的准确性。

应用机器学习来支持大型数据集的处理在许多行业(包括金融服务)中大有可为。然而，全面采用机器学习的实际问题仍然存在，重点是理解并能够解释复杂模型做出的决策和预测。在本文中，我们通过研究在有监督和无监督模型上选择合适的背景数据集和运行时权衡，探索实时欺诈检测领域的可解释性方法。