Mục tiêu nghiên cứu: Đề xuất khung phát hiện và cảnh báo gian lận giao dịch thẻ bằng học máy tổ hợp có khả năng giải thích, nhằm nâng cao hiệu năng, khả năng giải trình và quản trị mô hình.
Thiết kế nghiên cứu/phương pháp/tiếp cận: Nghiên cứu sử dụng bộ dữ liệu IEEE-CIS gồm 590.540 giao dịch có nhãn, sắp xếp theo thời gian và chia tuần tự thành tập huấn luyện, xác thực và kiểm định. XGBoost, LightGBM và CatBoost được kết hợp bằng kiến trúc xếp chồng và phối trộn xác suất. Hiệu năng được đánh giá bằng ROC-AUC, AP, F1, Precision, Recall và Top-K; độ vững được kiểm tra bằng DeLong, bootstrap theo cụm thời gian và phân tích độ nhạy. Cơ chế trí tuệ nhân tạo có khả năng giải thích (XAI) hai tầng làm rõ quá trình kết hợp mô hình và ảnh hưởng của các đặc trưng giao dịch.
Kết quả nghiên cứu chính: Trên tập xác thực, mô hình tổ hợp đạt ROC-AUC 0,9286, AP 0,6271, F1 0,6089 và Recall 0,5446. Trên tập kiểm định theo thời gian, ROC-AUC và AP đạt cao nhất, lần lượt 0,8953 và 0,5097; Precision đạt 0,5515, Recall 0,4493 và Precision@500 đạt 0,944. Chênh lệch ROC-AUC so với LightGBM có ý nghĩa thống kê và ổn định theo thời gian.
Giá trị đóng góp mới: Khung đề xuất tích hợp học máy tổ hợp, đánh giá theo thời gian, kiểm tra độ vững và XAI hai tầng, hỗ trợ ưu tiên điều tra, giám sát và truy vết quyết định.