Artículos
Año 10 No. 28 Enero - Abril 2024
USO DE UNA RED NEURONAL EN LA DETECCIÓN DE TRANSACCIONES FRAUDULENTAS REALIZADAS SOBRE UNA PLATAFORMA EN LÍNEA
Facultad de Ciencias de la Computación. Benemérita Universidad Autónoma de Puebla
Doctorado en Ingeniería del lenguaje y del conocimiento. Benemérita Universidad Autónoma de Puebla
Resumen
El problema de los fraudes cibernéticos ha ido en aumento y es ya una problemática económica para las empresas que usan pagos electrónicos. Se han propuesto modelos y algoritmos dentro del área del aprendizaje automático con la finalidad de detectar patrones en las transacciones digitales que pudiesen exhibir las transacciones fraudulentas. Explicamos aquí una propuesta del uso de redes neuronales que usan estructuras de grafos para modelar y realizar la clasificación de usuarios fraudulentos.
Citas
Hamilton WL, Ying R, Leskovec J (2017) Inductive representation learning on large graphs. In: Proceedings of the 31st International Conference on Neural Information Processing Systems. Curran Associates Inc., Red Hook, NY, USA, NIPS 17, p 1025–1035
Hochreiter, S., & Schmidhuber, J. (1997) Long Short-Term Memory. Neural Comput. 9, 8, 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Jordan, Michael I. (May 1986). Serial order: a parallel distributed processing approach. Tech. rep. ICS 8604. San Diego, California: Institute for Cognitive Science, University of California.
LeCun, Y., Bengio, Y. & Hinton, G. (2015) Deep learning. Nature 521, 436–444. https://doi.org/10.1038/nature14539
Malone, C. (2023). Online payment fraud: Market forecasts, emerging threats and segment analysis 2023-2028. Accessed: 2023-06-08 12:00 CST. Retrieved from https://www.juniperresearch.com/researchstore/fintechpayments/online%5C%5C-payment-fraudresearch-report
Rossi E, Chamberlain B, Frasca F, et al (2020) Temporal graph networks for deep learning on dynamic graphs. CoRR abs/2006.10637. URL https://arxiv.org/abs/ 2006.10637, 2006.10637
Rumelhart, David E; Hinton, Geoffrey E, & Williams, Ronald J (Sept. 1985). Learning internal representations by error propagation. Tech. rep. ICS 8504. San Diego, California: Institute for Cognitive Science, University of California.
Zexuan, D., Guodong, X., Yang, L., Wei, W., & Bailing, W. (2022). Contrastive graph neural network-based camouflaged fraud detector. Information Sciences, 618, 39–52. doi:10.1016/j.ins.2022.10.072
Zhao, P., Fu, X., Wu, W., Li, D., & Li, J. (2019). Network-based feature extraction method for fraud detection via label propagation. 2019 IEEE International Conference on Big Data and Smart Computing (BigComp), 1–6.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A., Kaiser, L., & Polosukhin, I. (2017) Attention is all you need. In Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS'17). Curran Associates Inc., Red Hook, NY, USA, 6000–6010.
