USO DE UNA RED NEURONAL EN LA DETECCIÓN DE TRANSACCIONES FRAUDULENTAS REALIZADAS SOBRE UNA PLATAFORMA EN LÍNEA
DOI:
https://doi.org/10.32399/icuap.rdic.2448-5829.2024.10.28.1281Palabras clave:
Aprendizaje automático, red neuronal de grafos, detección de fraude, transacciones en línea.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
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.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Definir aviso de derechos.
Los datos de este artículo, así como los detalles técnicos para la realización del experimento, se pueden compartir a solicitud directa con el autor de correspondencia.
Los datos personales facilitados por los autores a RD-ICUAP se usarán exclusivamente para los fines declarados por la misma, no estando disponibles para ningún otro propósito ni proporcionados a terceros.
