Revisión sistemática de literatura de redes
neuronales para la detección de fraudes en transacciones financieras
Urdánigo Saltos Cristhian
Adrián
Universidad Técnica De
Manabí (UTM)
Alcívar Cevallos Roberth
Abel
Universidad Técnica De
Manabí (UTM)
DOI: https://doi.org/10.56124/encriptar.v8i15.014
Resumen
Actualmente las transacciones financieras juegan un
papel fundamental en nuestro día a día. Este artículo presenta una revisión sistemática
de literatura (SLR) sobre el uso de redes neuronales para detectar, predecir y
prevenir fraudes en transacciones financieras. La primera parte de esta
investigación se enfoca en la recopilación de datos, la cual se realizó
siguiendo la metodología PRISMA. Se recopiló un conjunto de datos basados en
estudios e investigaciones con el objetivo de obtener resultados que puedan
proporcionar una visión clara sobre el uso de redes neuronales para la
detección de fraudes en transacciones financieras. Durante el proceso de
investigación se demuestra que las Redes Neuronales Generativas (GAN) y las
Redes Neuronales Artificiales (ANN) son las más utilizadas a la hora de
detectar y predecir fraudes en transacciones financieras, Además, se evidencia
que las redes neuronales más eficientes para la detección de fraude en
transacciones financieras son las Redes Neuronales Recurrentes alcanzando una
precisión de 98.71% y las redes neuronales generativas (GAN) con una precisión
de 97.1%. Estos resultados indican claramente que las redes neuronales son
altamente eficientes para detectar y predecir fraude en transacciones
financieras. En este estudio se demuestra el progreso significativo que han
tenido las redes neuronales, mejorando de manera notable la precisión en la
detección de fraudes financiero. Estos avances han permitido reducir el riesgo
de fraude y ofrecer soluciones más eficientes en el ámbito financiero. Los
resultados obtenidos de esta investigación proporcionan una guía valiosa para
investigadores y profesionales en el campo de la ciberseguridad.
Palabras clave: Redes
neuronales, Detección de fraudes, Transacciones financieras, Metodología
PRISMA, Ciberseguridad.
Systematic literature review of neural networks for
fraud detection in financial transactions.
ABSTRACT
Currently, financial
transactions play a fundamental role in our daily lives. This article presents
a systematic literature review (SLR) on the use of neural networks to detect,
predict, and prevent fraud in financial transactions. The first part of this
research focuses on data collection, which was conducted following the PRISMA
methodology. A dataset was compiled based on studies and research with the aim
of obtaining results that can provide a clear insight into the use of neural
networks for fraud detection in financial transactions. During the research
process, it is demonstrated that Generative Adversarial Networks (GANs) and
Artificial Neural Networks (ANNs) are the most commonly used for detecting and
predicting fraud in financial transactions. Furthermore, it is evident that the
most efficient neural networks for fraud detection in financial transactions
are Recurrent Neural Networks, achieving an accuracy of 98.71%, and Generative
Adversarial Networks (GANs) with an accuracy of 97.1%. These results clearly
indicate that neural networks are highly effective in detecting and predicting
fraud in financial transactions. This study demonstrates the significant
progress that neural networks have made, notably improving accuracy in
financial fraud detection. These advancements have allowed for a reduction in
fraud risk and provided more efficient solutions in the financial sector. The
results obtained from this research provide a valuable guide for researchers
and professionals in the field of cybersecurity.
Keywords: Neural networks, Fraud detection, Financial transactions, PRISMA Methodology, Cybersecurity.
1. INTRODUCCION
En la actualidad,
las transacciones financieras son una parte integral de la vida cotidiana de
las personas. Sin embargo, a medida que evolucionan los métodos de pago,
también lo hacen las tácticas fraudulentas. Según estudios recientes, se estima
que el fraude financiero cuesta a las empresas miles de millones de dólares
anuales, afectando no solo a las instituciones financieras, sino también a los
consumidores y a la economía global en general [1]. La detección precisa de
fraudes en transacciones financieras se vuelve esencial para salvaguardar los
recursos y la seguridad económica. Por tanto, es necesario desarrollar
tecnologías avanzadas y métodos predictivos, centrándose en la aplicación de
redes neuronales para reducir el riesgo de manera eficiente y oportuna, y
preservar la integridad del sistema financiero [2].
La identificación
de irregularidades en las transacciones es crucial para proteger los recursos
económicos. Sin embargo, las técnicas tradicionales de detección a menudo son
insuficientes, dado que no pueden adaptarse rápidamente a las nuevas formas de
fraude que surgen. Este vacío en la literatura destaca la necesidad de
investigar tecnologías avanzadas y métodos predictivos, especialmente en lo que
respecta a las redes neuronales, que han demostrado tener un potencial
prometedor en la mejora de la precisión en la detección de anomalías [3].
La tarea de
detección de fraude no es un tema fácil de resolver, teniendo en cuenta las
múltiples modalidades y evolución rápida que esta problemática ha tenido en la
actualidad. El aumento significativo del fraude, su complejidad cada vez mayor
y su especialización hacen que los recursos utilizados por parte de las
organizaciones para combatirlos sean cada vez más significativos [4].
Las instituciones
financieras enfrentan de manera constante el riesgo de sufrir pérdidas
económicas debido a transacciones fraudulentas. Este desafío impulsa a mejorar
de manera continua sus procesos con el fin de gestionar y prevenir eficazmente
el fraude. A pesar de los recientes avances en inteligencia artificial y
aprendizaje automático, existe una falta de estudios que analicen de manera
integral las capacidades de diversas arquitecturas de redes neuronales para
enfrentar el problema del fraude en transacciones financieras [5].
En vista de estos
desafíos, este estudio de Revisión Sistemática de la Literatura (RSL) se
centrará en identificar y analizar los tipos de redes neuronales más efectivos
para la detección de fraude financiero. A través de este enfoque riguroso y
metodológico, se proporciona una comprensión más profunda de las fortalezas y
debilidades de estos algoritmos, lo que ayudará a futuras investigaciones en el
campo de la ciberseguridad.
2. METODOLOGIA
En este trabajo de
investigación se exploran diversos modelos de redes neuronales que permiten la
detección de fraude en transacciones financieras atreves de una revisión
sistemática de literatura. En este contexto se utiliza la metodología PRISMA
(Preferred Reporting Items for Systematic Reviews and Meta-Analyses) aplicada
por [6]. Esta implica un proceso riguroso y estructurado para recopilar y
analizar la información relevante con el propósito de explorar exhaustivamente
el estado actual del uso de las redes neuronales en la detección de fraudes en
transacciones financieras.
Este tipo de
investigación analítica proporciona una estructura metodológica rigurosa que
permite la identificación, evaluación y síntesis de la evidencia disponible en
la literatura científica relevante. La cual está compuesta por los siguientes
pasos:
·
Planificación
·
Preguntas de
investigación
·
Selección de estudios
·
Exploración de documentos
2.1 PLANIFICACIÓN:
En esta etapa, se
detallan las cadenas de búsqueda utilizadas para obtener información relevante
sobre la aplicación de redes neuronales en la detección de fraudes en
transacciones financieras. Estas cadenas de búsqueda fueron formuladas de
manera rigurosa, incorporando términos clave que contribuyeron
significativamente a los resultados de esta investigación. Se llevó a cabo la
búsqueda en inglés y en español, utilizando operadores booleanos para refinar
los resultados.
Cadenas de búsqueda utilizadas en los gestores
de base de datos académicas
Tabla
I. Cadena
de búsqueda usada para cada Base de Datos Académica.
|
Cadenas
de búsqueda |
Bases de datos académicas |
|
-
("Detección De Fraude" OR
"Redes Neuronales" AND "Transacciones Financieras") |
Scielo |
|
-
("Financial
transactions" OR "transaction anomalies" OR "neural
networks" OR "artificial neural networks")) -
"Neural
networks" AND "fraud detection" AND "financial
transactions" AND (application OR method OR model) -
("Inteligencia Artificial" OR
"Algoritmos de IA") AND ("Fraude Financieros") |
Scopus |
|
-
("Neural
network" AND "fraud detection" AND (efficiency OR
effectiveness OR performance)) -
("Artificial
Intelligence Algorithms" OR "Machine Learning") AND ("Cybercrime
Detection" OR "Cybercrimes") |
IEEE |
|
-
("Detección De Fraude" OR "Aprendizaje
Automático" OR "Redes Neuronales Convolucionales" AND "Evaluación
De Rendimiento") |
Repositorios
Institucionales |
|
-
"Neural
networks" OR "deep learning" OR "machine learning"
OR "artificial intelligence" OR "computational
intelligence") |
Dialnet |
Esta búsqueda
abarcó estudios primarios publicados en el período comprendido entre el 2018 y
2024. Durante este proceso, se recopilo los resultados de dichos estudios,
centrándose en las técnicas de Redes Neuronales utilizadas en la detección de
fraude.
2.2 PREGUNTAS
DE INVESTIGACION:
Las preguntas de investigación desempeñaron
un papel crucial en la identificación de recursos relevantes, así como en la
recopilación de datos y herramientas necesarias para llegar a conclusiones
sólidas de esta investigación, que incluyen: (a) Redes Neuronales, (b)
Detección de Fraudes, (c) Transacciones Financieras, (d) Fraude Financiero.
RQ1. ¿Cuáles son las principales técnicas de redes
neuronales utilizadas en la detección de fraude en transacciones financieras?
RQ2. ¿Cuál es el nivel de eficiencia de las
técnicas de redes neuronales en la detección de fraude financiero según los
resultados obtenidos en casos prácticos?
RQ3. ¿Cómo están evolucionando las técnicas de
redes neuronales para abordar los desafíos y delitos emergentes en las
instituciones financieras?
Con el objetivo de mejorar la eficacia de las
búsquedas, se implementaron criterios de selección, tanto para incluir como
para excluir, los cuales involucraron la evaluación del título, la introducción
y la conclusión de cada documento identificado.
Estos criterios se encuentran especificados
en la tabla II. La aplicación de este protocolo de búsqueda y selección
facilitó la identificación y elección de los documentos más relevantes en
relación con el tema de investigación.
Criterios de selección:
Tabla II. Criterios de exclusión e inclusión.
|
Criterios de inclusión
|
Criterios de exclusión |
|
Documentos donde se utilizan métodos/algoritmos basados en redes
neuronales para la detección de Fraudes Financieros. Documentos de acceso libre Estudio a partir del 2018. Estudios en idiomas español e ingles |
Documentos donde no se mencionen Redes Neuronales, Delitos
Informáticos y Fraudes Financieros. Estudios no accesibles Documentos sin rigor científico, y estudios Duplicados. Investigaciones previas al 2018. |
2.4 EXPLORACION
DE DOCUMENTOS:
Los resultados más
relevantes de esta investigación se presentan en la (Figura 1). Este proceso de
revisión se centró principalmente en el período que abarca desde 2018 hasta
2024.
Figura 1.
Flujo de búsqueda y selección de artículos
2.5 REVISIÓN:
En la etapa inicial
de recopilación de datos, se realizó una búsqueda exhaustiva en cuatro bases de
datos digitales: Scopus, IEEE, Scielo, Dialnet, también se encontró información
valiosa en repositorios universitarios. Los documentos recopilados en la fase
preliminar de esta investigación, detalladas en la (Figura 2), representan una
amplia colección de documentos relevantes para el tema de estudio.
Figura 2. Artículos encontrados en las
distintas bases de datos seleccionadas
Considerando la
extensión de este conjunto de documentos, era necesario realizar un filtrado
más estricto con el fin de asegurar que los trabajos elegidos estuvieran
estrechamente vinculados a las tendencias de las técnicas de redes neuronales
en la detección de fraude financiero. Este paso resultó ser crucial para
mantener la precisión y relevancia del estudio. En consecuencia, se llevaron a
cabo los criterios de inclusión y exclusión diseñados para depurar los
documentos que no guardaban pertinencia con el tema de investigación. El
impacto de este proceso de filtración se refleja claramente en la (Figura 3),
donde el número de documentos seleccionados experimentó una reducción
significativa: Scopus con 20 documentos, le sigue IEEE con 15, Scielo con 3 y
Dialnet con 2, y otros artículos que fueron encontrado en revistas
institucionales con 12 documentos, con un total de 52 estudios.
Figura
3. Artículos relevantes seleccionados
La notable disminución en la cantidad de documentos
no sugiere una falta de materiales pertinentes, sino más bien evidencia la
eficacia de los criterios de inclusión y exclusión implementados. La aplicación
meticulosa de estos criterios aseguró la selección únicamente de los documentos
más relevantes para el análisis final, mejorando así la calidad y pertinencia
de los descubrimientos en este estudio. Este proceso de búsqueda y selección
facilitó la identificación de documentos más apropiados para examinar las
tendencias actuales en las técnicas de redes neuronales aplicadas en la
detección de fraude financiero. A pesar de la reducción en la cantidad de
documentos, la relevancia y calidad de los seleccionados proporcionan un
conjunto sólido de evidencias para el análisis. Entre los 43 documentos
analizados, se emplearon diversos tipos de redes para detectar fraude en
transacciones financieras.
3.
RESULTADOS:
RQ1. ¿Cuáles son las principales técnicas de
redes neuronales utilizadas en la detección de fraude en transacciones
financiera?
En este estudio, se
observa que la detección de fraude en transacciones financieras involucra una
diversidad de enfoques en el ámbito de las redes neuronales, el cual ha tenido
como finalidad minimizar esta clase de delitos financieros, de acuerdo a los estudios,
las principales técnicas de redes neuronales utilizadas para abordar esta
problemática incluyen las siguientes: Las Redes Generativas Adversarias (GAN)
se destacaron como las más utilizadas, apareciendo en 12 estudios. Le siguen
las Redes Neuronales Artificiales (ANN), que se encontraron en 8 estudios. Las
Redes Neuronales Recurrentes (RNN), las Redes Neuronales Convolucionales (CNN)
y las LSTM (Long Short-Term Memory) se mencionaron en 4 estudios cada una.
Finalmente, los Autoencoders (AE) se identificaron en 4 estudios. La Figura 4
muestra la frecuencia de aparición de cada una de estas técnicas en la
literatura revisada
Figura 4. Redes neuronales más utilizadas en
este estudio
Los resultados de
esta investigación demuestran que las redes neuronales generativas (GAN) se
destacaron, siendo estas las más utilizadas a la hora de detectar fraudes en
transacciones financieras, Su alta adopción se debe a su capacidad de generar
datos sintéticos realistas permitiendo a los modelos aprender de una variedad
de escenarios. Posteriormente, Edu (2024), sostiene que: Las redes neuronales
artificiales (ANN) son también altamente utilizadas debido a su capacidad para
modelar relaciones complejas y manejar datos secuenciales. Estas pueden ser utilizadas para clasificar
transacciones como legítimas o fraudulentas basándose en características como
el monto, la ubicación, el historial del usuario y otros factores relevantes.
Su capacidad para aprender patrones complejos a partir de grandes volúmenes de
datos las hace efectivas para identificar comportamientos inusuales que podrían
indicar fraude. Así mismo las técnicas (RNN), (CNN), (LSTM) y autoencoders (AE)
complementan estas estrategias, ofreciendo enfoques adicionales para mejorar la
detección de fraudes. Al combinar estas arquitecturas, se puede crear un
sistema robusto con el objetivo de minimizar y reducir el riesgo de fraudes en
transacciones financieras, Las (CNN) pueden extraer características relevantes,
las (LSTM) y (RNN) pueden analizar patrones temporales y secuenciales en los
datos, y los autoencoders (AE) pueden identificar transacciones inusuales
calculando en la reconstrucción de datos. Esta integración permite una
detección más precisa y efectiva de actividades fraudulentas, mejorando la
seguridad en el ámbito financiero [11], [12].
RQ2. ¿Cuál es el nivel de eficiencia de las
técnicas de redes neuronales más utilizadas en la detección de fraude
financiero según los resultados obtenidos en casos prácticos?
El nivel de
eficiencia de las técnicas basadas en redes neuronales para la detección de
fraude financiero, se puede visualizar en la (Tabla III). Esta tabla recopila
los resultados de varios estudios. En esta investigación se realizó una
búsqueda exhaustiva de documentos relevantes, con el objetivo de encontrar
aquellos tipos de redes neuronales más utilizados para la detección de fraude
en transacciones financieras. Este trabajo de investigación ilustra el
potencial de eficiencia que las redes neuronales pueden alcanzar en la
detección de fraude.
Tabla III. Nivel de eficiencia de las técnicas de redes neuronales
|
Artículos |
Red
neuronal |
Precisión |
|
Enfoque
basado en redes neuronales para la detección de fraudes en Ethereum |
ANN |
97.09% |
|
Redes
neuronales de gráficos adaptativos basadas en aprendizaje sensible a los
costos para la detección de fraudes |
GAN |
-- |
|
El
diablo está en el conflicto: redes neuronales con gráficos de información
desenredados para la detección de fraudes |
GAN |
94.08% |
|
Mejora
de la eficiencia en la detección de anomalías: introducción de un algoritmo
de optimización de enjambre de partículas multipoblacionales basado en
búsqueda en cuadrícula basado en una red neuronal convolucional regional
optimizada para soluciones robustas y escalables en datos de alta dimensión |
CNN |
90% |
|
Una
red de atención gráfica semisupervisada para la detección de fraudes
financieros |
GAN |
90.07% |
|
Comparación
de técnicas de balanceo de datos para la detección de fraudes con tarjetas de
crédito mediante redes neuronales |
ANN |
90% |
|
Detección
de fraude financiero mediante redes neuronales híbridas convolucionales y
recurrentes: un análisis de datos no estructurados en la banca |
RNN |
99.02% |
|
Método Análisis Envolvente de Datos y Redes
Neuronales en la Evaluación y predicción de la Eficiencia Técnica de Pequeñas
Empresas Exportadoras |
ANN |
94.44% |
|
Un
estudio empírico del modelo de red neuronal MLP para problemas de predicción
con salidas múltiples |
ANN |
-- |
|
Detección
de fraudes financieros bancarios mediante el ajuste de hiperparámetros de DL
en un entorno de computación en la nube |
LSTM |
-- |
|
Detección
de anomalías en redes blockchain mediante aprendizaje no supervisado: una
encuesta |
AE |
-- |
|
Detección
de fraudes impulsada por IA en transacciones financieras con redes neuronales
gráficas y detección de anomalías |
GAN |
95% |
|
Marco
de trabajo de redes neuronales basado en algoritmos genéticos para la
detección de transacciones fraudulentas |
GAN |
99.25% |
|
Detección
de rostros artificiales y engañosos mediante aprendizaje automático |
CNN |
99.4% |
|
Mejora
de la detección de fraudes con tarjetas de crédito mediante análisis
secuencial basado en LSTM con detención temprana |
LSTM |
98% |
|
Cómo
proteger las finanzas digitales: aplicación del aprendizaje automático para
el análisis de fraudes |
RNN |
-- |
|
Enfoque
algorítmico basado en aprendizaje automático para una mejor detección de
anomalías en transacciones financieras |
ANN |
-- |
|
Marco
de trabajo de redes neuronales basado en algoritmos genéticos para la
detección de transacciones fraudulentas |
GAN |
99.25% |
|
Enfoques
de aprendizaje automático para la detección de fraudes con tarjetas de
crédito: un análisis comparativo y la promesa de las redes neuronales
convolucionales 1D |
CNN |
-- |
|
Un
modelo de memoria a corto plazo para la detección de fraudes con tarjetas de
crédito |
RNN |
99.6% |
|
Mejorar
la seguridad en los espacios públicos mediante redes generativas antagónicas
(GAN) |
GAN |
-- |
|
Mejora
de la detección de fraudes financieros mediante un modelo de aprendizaje
automático de conjunto ajustado por parámetros |
ANN |
99.63% |
|
Conjunto
de redes neuronales gráficas para una mejor detección del fraude financiero |
GAN |
-- |
|
Mejora
de la seguridad en los pagos con billetera móvil: detección de fraudes basada
en aprendizaje automático en las principales plataformas de billetera |
LSTM |
93.8% |
|
Detección de valores atípicos híbridos en
conjuntos de datos de atención médica mediante DNN y una SVM de clase única |
AE |
-- |
|
Un
nuevo método para la detección de transacciones bancarias fraudulentas
utilizando redes neuronales multicapa con tasa de aprendizaje adaptativa |
GNN |
99% |
|
Análisis
del uso de redes de reconocimiento de patrones en la aplicación de redes
eléctricas inteligentes |
ANN |
99.99% |
|
Un modelo de red neuronal convolucional para
detectar URL ilegítimas |
CNN |
94.31% |
|
Calificaciones
crediticias corporativas basadas en redes neuronales de grafos heterogéneos
jerárquicos |
GAN |
97% |
|
Privacy-Preserving Behavioral Anomaly Detection in
Dynamic Graphs for Card Transactions |
GAN |
95% |
|
Una
red generativa adversaria con autocodificador variacional mejorado con red
neuronal convolucional para la detección de transacciones financieras
fraudulentas |
CNN |
99.78% |
|
Detección
de fraudes en transacciones financieras mediante un enfoque de aprendizaje
profundo: un estudio comparativo |
ANN |
97% |
|
Marco
de red neuronal basado en algoritmos genéticos para la detección de
transacciones fraudulentas |
GAN |
99.25% |
|
Detección
de fraudes con tarjetas de crédito basada en SMOTE mediante redes neuronales convolucionales |
CNN |
99.96% |
|
Predicción
y análisis de la detección de fraudes en finanzas: un enfoque basado en el
aprendizaje profundo y el aprendizaje automático |
LSTM |
98.25% |
|
Combatir
el fraude financiero digital mediante enfoques estratégicos de aprendizaje
profundo |
RNN |
97.5% |
|
Solución
de detección de fraudes para transacciones monetarias con codificadores
automáticos |
AE |
85% |
|
Implementación
estratégica de algoritmos de aprendizaje profundo para mitigar el fraude en
las finanzas en línea |
AE |
86.3% |
Considerando el
nivel de precisión de las redes neuronales en cada documento evaluado en esta
investigación, en la (Figura 5) se muestra la eficiencia de las redes
neuronales más utilizadas para la detección de fraudes en transacciones
financieras, dando una vista más general de los resultados de esta
investigación.
Figura
5. Eficiencias de las redes neuronales en la detección de fraude en
transacciones financieras
Los resultados de
esta investigación demuestran que las redes neuronales son altamente eficientes
para detectar y reducir el riesgo de fraude en transacciones financieras.
Donde,
Ameijeiras S, Valdés S, & González D. (2021), sostienen que: La
funcionalidad y eficiencia de cada red neuronal, incluyendo su capacidad para
detectar fraudes financieros, dependen en gran medida de cómo está
estructurada. La arquitectura de una red neuronal se refiere a la disposición
de sus capas, el número de neuronas en cada capa, y las conexiones entre ellas.
Un diseño adecuado es crucial, ya que una estructura bien optimizada permitirá
a la red aprender y generalizar patrones en los datos de manera más efectiva. Por
ejemplo, en la detección de fraudes, los modelos de red neuronal deben ser
capaces de identificar patrones complejos y sutiles que pueden ser indicativos
de actividades sospechosas. Si la red tiene una arquitectura demasiado simple,
con pocas capas o neuronas, es probable que no capture la complejidad necesaria
de los datos, resultando en un modelo que no es capaz de distinguir
correctamente entre transacciones legítimas y fraudulentas
Por otro lado, una
red demasiado compleja puede llevar a problemas de sobreajuste, donde el modelo
se adapta demasiado a los datos de entrenamiento, perdiendo su capacidad para
generalizar a nuevas muestras de datos. Esto es especialmente problemático en
el ámbito financiero, donde las condiciones y el comportamiento de los usuarios
pueden cambiar con el tiempo. Una red estructurada de manera adecuada debe
lograr un balance, permitiendo suficiente capacidad para aprender patrones
relevantes sin caer en el sobreajuste.
En resumen, la estructura
de una red neuronal es un determinante crítico de su funcionalidad y eficiencia
en la detección de fraudes financieros. Una arquitectura bien diseñada permite
a la red no solo aprender patrones complejos, sino también adaptarse a nuevas
tendencias y comportamientos en los datos, lo que resulta esencial para el
monitoreo efectivo de transacciones y la prevención de fraudes.
RQ3. ¿Cómo están evolucionando las técnicas
de redes neuronales para abordar los desafíos y delitos emergentes en las instituciones
financieras?
Las técnicas de
redes neuronales están experimentando un progreso significativo en su
aplicación para abordar los desafíos y delitos emergentes en el ámbito de las
instituciones financieras. Esta evolución se evidencia a través de la
combinación de la inteligencia artificial, aprendizaje profundo y análisis de
datos, todas destinadas a reforzar la ciberseguridad y la integridad
financiera. Las redes neuronales, siendo componentes esenciales de la
inteligencia artificial, se utilizan con el objetivo de mejorar la detección y
mitigación de amenazas financieras, como fraudes, lavado de dinero,
manipulación del mercado y ataques cibernéticos.
En el estudio
La aplicación de
redes neuronales en la detección de fraude financiero constituye otra faceta
crucial de esta evolución, donde la capacidad para analizar complejas
relaciones entre transacciones y reconocer patrones asociados al fraude
financiero, proporciona una herramienta invaluable para las instituciones
financieras.
Podemos decir que
un aspecto distintivo de esta evolución radica en la interconexión de datos
provenientes de diversas fuentes, que incluyen transacciones financieras,
comportamientos del cliente y datos externos. Esta integración multifacética
potencia la precisión y la capacidad de contextualización en la detección de
actividades sospechosas, ofreciendo una visión más completa del riesgo
financiero, a continuación, en la (Tabla IV) se muestra el progreso de las
redes neuronales para la detección de fraude en transacciones financieras a lo
largo de los años.
Tabla VI. Evolución de las
técnicas de redes neuronales
|
Primeras
Aplicaciones (1990) |
Durante esta década, las instituciones
financieras comenzaron a explorar el uso de redes neuronales para detectar
patrones de fraude en las transacciones. Estas primeras aplicaciones
utilizaban perceptrones multicapa (MLP) y se enfocaban en detectar patrones
inusuales en los datos transaccionales. Publicaciones y estudios comenzaron a
surgir, explorando la viabilidad y efectividad de las redes neuronales para
la detección de fraude. |
|
Mejoras (2000) |
La mejora en los algoritmos y métodos
impulsaron a la adopción de redes neuronales para la detección de fraude, Las
instituciones financieras comenzaron a implementar estos sistemas en sus
operaciones diarias para mejorar la precisión en la detección de fraudes. |
|
Evolución (2010) |
Con el auge del aprendizaje profundo,
se introdujeron redes neuronales más complejas y profundas en la detección de
fraude. Las redes neuronales convolucionales (CNN) y las redes neuronales
recurrentes (RNN) demostraron ser efectivas en la identificación de patrones
de fraude más sofisticados. |
|
Técnicas Avanzadas
(2015-2024) |
La integración de técnicas avanzadas
como las redes generativas adversariales (GANs) y los autoencoders ha
mejorado aún más la precisión y la capacidad de las redes neuronales para
detectar fraudes. Estas técnicas permiten generar datos sintéticos y
reconstruir patrones normales para identificar anomalías. La implementación de soluciones de
inteligencia artificial en tiempo real ha permitido a las instituciones
financieras detectar y prevenir fraudes de manera más efectiva y rápida. |
4.
CONCLUSIONES:
Los hallazgos de
este estudio subrayan el papel crucial que desempeñan las redes neuronales en
la detección de fraudes en transacciones financieras, y resaltan la importancia
de implementar tecnologías avanzadas en la protección de sistemas financieros. Con
el constante avance de la tecnología, la inteligencia artificial y los métodos
fraudulentos, la identificación de patrones de comportamiento inusual se vuelve
esencial para reducir el riesgo de fraude en las transacciones financieras.
Además cabe
destacar que considerando los resultados obtenidos en la pregunta RQ1 y RQ2,
donde en la primera se obtiene que las redes GAN son las más utilizadas no esta
de la mano con los resultados de la segunda pregunta donde se evalúa el nivel
de
La obtención de
resultados satisfactorios en la detección de fraudes en transacciones
financieras mediante el uso de redes neuronales representa un avance
significativo y prometedor en el ámbito de la seguridad financiera. El éxito de
las redes neuronales en la detección de fraudes se debe en gran parte a su
capacidad para procesar grandes volúmenes de datos y aprender de ellos de
manera continua, proporcionando un análisis del rendimiento de diferentes
modelos de redes neuronales. Este estudio ayuda a profundizar en la comprensión
del impacto y la eficacia de las redes neuronales en la detección de fraudes
financieros.
Para investigaciones futuras, sería recomendable
evaluar el desempeño de las redes neuronales utilizando datos en línea para
medir su capacidad de detección en tiempo real lo que permitiría medir no solo
su capacidad de detección de fraude, sino también su velocidad y adaptabilidad
ante amenazas emergentes. El uso de datos en tiempo real proporcionaría una
comprensión más profunda de cómo estos modelos responden a patrones cambiantes
y nuevas metodologías de fraude, que a menudo evolucionan rápidamente.
Además, este estudio evidencia la necesidad de
seguir avanzando en el desarrollo de modelos de redes neuronales que no solo se
adapten a las cambiantes estrategias de los delincuentes, sino que también
integren nuevas tecnologías y enfoques. Esto es crucial para garantizar que las
redes neuronales sigan siendo eficaces en la detección y prevención de fraudes.
En resumen, la investigación pone de manifiesto no
solo el potencial de las redes neuronales en la detección de fraudes
financieros, sino también la importancia de una vigilancia continua y de la
innovación constante para enfrentar de manera efectiva las amenazas en un
panorama financiero cada vez más complejo y dinámico. La inversión en estas
tecnologías y en la formación de profesionales capacitados para su desarrollo y
aplicación será clave para el fortalecimiento de la seguridad financiera
global.
5.
REFERENCIAS BIBLIOGRAFICAS:
[1] Chuquiana,
A., & Maoli, E. (2023) «Análisis del ataque del modelo Phishing en los
sistemas informáticos y bancarios», Babahoyo, Ecuador. Universidad Técnica de
Babahoyo, págs. 1-16. [En línea]. Disponible en:
http://dspace.utb.edu.ec/handle/49000/14773
[2] Castiblanco.
C & Jorge. L. (2024) «La importancia de la gestión en la prevención del
fraude interno en las entidades financieras.» Bogotá, Colombia. Repositorio
Unimilitar, págs. 1-9. Accedido: 22 de julio de 2024. [En línea]. Disponible
en: https://repository.unimilitar.edu.co/handle/10654/35987
[3] Vargas,
O., (2022) «Detección de anomalías en procesos de gestión sanitaria usando
métodos de analítica de procesos». Bogotá, Colombia, Universidad de los Andes, págs.
1-3. [En línea]. Disponible en:
https://repositorio.uniandes.edu.co/flip/?pdf=https://repositorio.uniandes.edu.co/bitstreams/76ce883b-ec57-49f7-b492-cc619540e9e9/download
[4] Torres, H.
(2022), «Fraudes bancarios: algunos fraudes financieros y riesgos asociados», Medellín, Colombia. Universidad de Antioquía, págs. 1-12 [En
línea]. Disponible en: https://digitk.areandina.edu.co/handle/areandina/4755
[5] Londoño.
L., Carmona. M, (2021) «Modelos de machine learning para la detección de
fraude financiero», Medellín, Colombia.
Universidad de Antioquía, págs. 1-10 [En línea]. Disponible en:
https://bibliotecadigital.udea.edu.co/handle/10495/20164
[6] Pérez, G.,
(2021) «Detección de transacciones fraudulentas en tarjetas de crédito
mediante el uso de modelos de Machine Learning», Bogotá, Colombia, Universidad
de los Andes, págs. 1-6. [En línea]. Disponible en: https://repositorio.uniandes.edu.co/server/api/core/bitstreams/f1f6f0ea-f5e4-4e09-9c3d-393c288ac42d/content
[7] Ramírez,
A., Jenkins, M., Martínez, A., Quesada, C., (2020)
«Usodetcnicasdemineradedatosyaprendizajeautomticoparadeteccindefraudesenestadosfinancieros»,
San Pedro, Costa Rica. Universidad de Costa Rica, págs. 97-109 [En línea].
Disponible en: https://www.mendeley.com/reference-manager/reader-v2/ed2e9e71-9b6b-39b5-b757-6a034ffd81a3/42ec9c60-f88e-98db-38b0-1d5c148eae1e
[8] Quirumbay,
D., Castillo, C., coronel, I., (2022) «Una revisión del aprendizaje profundo
aplicado a la ciberseguridad», Santa Elena, Ecuador. Revista Científica y
Tecnológica UPSE (RCTU), [Online]. Disponible en:
https://incyt.upse.edu.ec/ciencia/revistas/index.php/rctu/article/download/671/556?inline=1
[9] Muñoz, M.,
De Chile, (2019) «UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y
MATEMÁTICAS DEPARTAMENTO DE INGENIRÍA CIVIL PRONÓSTICO DE CRECIDAS EN TIEMPO
REAL USANDO REDES NEURONALES RECURRENTES MEMORIA PARA OPTAR AL TÍTULO DE
INGENIERO CIVIL MILENA MUÑOZ BONACIC PROFESOR GUÍA: XIMENA VARGAS MESA»,
Santiago de Chile, Chile. RepositoriosUchile [En línea]. Disponible en:
https://repositorio.uchile.cl/bitstream/handle/2250/104857/Prono%cc%81stico-de-crecidas-en-tiempo-real-usando-redes-neuronales-recurrentes.pdf?sequence=3&isAllowed=y
[10] Ameijeiras.
D., Valdés. O., & González. H. (2021). «Algoritmos de detección de
anomalías con redes profundas. Revisión para detección de fraudes bancarios».
La Habana, Cuba. Revista Cubana de Ciencias Informáticas, [Online].
Disponible en: http://scielo.sld.cu/scielo.php?pid=S2227-18992021000500244&script=sci_arttext&tlng=en
[11] Edu, P.,
(2024) «Propuesta de modelo predictivo para la detección de fraude en mensajes
de texto mediante el uso de Redes Neuronales Recurrentes», Lima, Perú. Repositorios
institucionales Esan, [En línea]. Disponible en: https://repositorio.esan.edu.pe/items/d89b8826-b5f1-4b93-85e3-bb6b7daa6a30
[12] Cho. k., (2018) «Learning phrase
representations using RNN encoder-decoder for statistical machine
translation», Doha, Qatar. Conference on Empirical Methods in Natural Language
Processing, Proceedings of the Conference, págs. 1724-1732 [Online].
Disponible en: https://aclanthology.org/D14-1179
[13] Dahiya. M,
Mishra. N, Singh. R, y
Pavitra, (2023) «Neural network-based approach for Ethereum fraud
detection», Londres, Reino
Unido, 2023, págs. 1-4, doi: 10.1109/ICIEM59379.2023.10166745.
[14] Yan. Q., (2024) «An Adaptive Graph Neural
Networks Based on Cost-sensitive Learning for Fraud Detection», Chongqing,
China. Publicado en: 2024 7º Simposio Internacional sobre
Sistemas Autónomos (ISAS), págs 1-6, [Online]. Disponible en:
https://ieeexplore.ieee.org/document/10552392
[15] Li. Z, Chen. D, Liu. Q, y Wu. S, (2022)
«The Devil is in the Conflict: Disentangled Information Graph Neural Networks
for Fraud Detection» Orlando, Florida, EE. UU. Proceedings - IEEE
International Conference on Data Mining, ICDM, vol. 2022-November, [Online]. Disponible en:
https://ieeexplore.ieee.org/document/10027689
[16] Nalini. M,
Yamini. B, Fernandez. M. y Uma P, (2024) «Mejora de la eficiencia en
la detección de anomalías: introducción de un algoritmo de optimización de
enjambre de partículas multipoblacionales basado en búsqueda en cuadrícula
basado en una red neuronal convolucional regional optimizada para soluciones robustas
y escalables en datos de alta dimensión», Chennai, India. Departamento de
Ciencias Informáticas e Ingeniería. [Online]. Disponible en: DOI:
10.1016/j.eswa.2024.125179
[17] Wang. D, (2019) «A semi-supervised graph
attentive network for financial fraud detection», Pekín,
China. Proceedings - IEEE International Conference on Data Mining, ICDM.
[Online]. Disponible en:
https://ieeexplore.ieee.org/document/8970829
[18] Uttam A., y Sharma. G, (2021) «A
Comparison of Data Balancing Techniques for Credit Card Fraud Detection using
Neural Network», Palladam, India. Proceedings of the
5th International Conference on I-SMAC (IoT in Social, Mobile, Analytics and
Cloud), I-SMAC 2021[Online]. Disponible en:
https://ieeexplore.ieee.org/document/9640911
[19] Banu S.,
Gongada T., Santosh. K, Chowdhary. H, Sabareesh. R, y Muthuperumal. S,
(2024) «Financial Fraud Detection Using Hybrid Convolutional and Recurrent
Neural Networks: An Analysis of Unstructured Data in Banking», Melmaruvathur, India. Proceedings of the 2024 10th International Conference on
Communication and Signal Processing, ICCSP 2024, [Online]. Disponible en:
https://ieeexplore.ieee.org/document/10543545
[20] Fontalvo.
T, Hoz. L, y E. De, (2018) «Método Análisis Envolvente de Datos y Redes
Neuronales en la Evaluación y Predicción de la Eficiencia Técnica de Pequeñas
Empresas Exportadoras Data Envelopment Analysis Method and Neural Networks in
the Evaluation and Prediction of the Technical Efficiency of Small Exporting
Companies», Cartagena, Colombia. Información Tecnológica, [Online]. Disponible
en:
https://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-07642018000600267&lng=en&nrm=iso&tlng=en
[21] Camejo. J,
Gonzalez. H., y Morell. C, (2020) «Un estudio empírico del modelo de red
neuronal MLP para problemas de predicción con salidas múltiples», La Habana,
Cuba. Serie Científica de la Universidad de las Ciencias Informáticas, ISSN-e
2306-2495, Vol. 13, No. 6, 2020, págs. 1-14, vol. 13, n.o
6, pp. 1-14, 2020, Accedido: 28 de julio de 2024. [En línea]. Disponible en:
https://dialnet.unirioja.es/servlet/articulo?codigo=8590275&info=resumen&idioma=ENG
[22] Upreti. K, Vats. P, Srinivasan. A, Daya.
K., Mahaveerakannan. R, y Charles. G,
«Detección de fraudes financieros bancarios mediante el ajuste de
hiperparámetros de DL en un entorno de computación en la nube», Nueva Delhi,
India. Revista Internacional de Sistemas de Información Cooperativa, [Online].
Disponible en: DOI: 10.1142/S0218843023500247
[23] Cholevas.
C, Angeli. E, Sereti. Z, Mavrikos. E, y Tsekouras. G. E, (2024) «Detección de
anomalías en redes blockchain mediante aprendizaje no supervisado: una
encuesta», Mitilene, Grecia. Departamento de Tecnología Cultural y
Comunicación, Universidad del Egeo, [Online]. Disponible en: DOI:
10.3390/a17050201
[24] Thilagavathi.
M, Saranyadevi. R, Vijayakumar. N, Selvi. K, Anitha. L, y Sudharson. K, (2024)
«Detección de fraudes impulsada por IA en transacciones financieras con redes
neuronales gráficas y detección de anomalías», Chennai, India. Actas de la
Conferencia internacional de 2024 sobre ciencia, tecnología, ingeniería y
gestión, ICSTEM 2024, [Online]. Disponible en: DOI:
10.1109/ICSTEM61137.2024.10560838
[25] Jahan. I y
Kumar. M, (2023) «Marco de trabajo de redes neuronales basado en algoritmos
genéticos para la detección de transacciones fraudulentas», Greater Noida,
Uttar Pradesh, India. Actas de la 4.a Conferencia internacional
IEEE 2023 sobre informática, comunicación y sistemas inteligentes, ICCCIS
2023, [Online]. Disponible en: DOI: 10.1109/ICCCIS60361.2023.10425407
[26] Nachiappan.
B, Rajkumar. N, Viji. C, y Mohanraj. A, «Detección de rostros artificiales y
engañosos mediante aprendizaje automático [Detección de rostros artificiales y
engañosos mediante aprendizaje automático», Karnataka, Bangalore, India.
Salud, Ciencia y Tecnología - Serie de Conferencias, vol. 3, [Online].
Disponible en: DOI: 10.56294/sctconf2024611
[27] Jhansi. S,
Balasubadra. K, Skandarsini. R., y Lakshmi. T, (2024) «Mejora de la detección
de fraudes con tarjetas de crédito mediante análisis secuencial basado en LSTM
con detención temprana», Thiruvallur, India. Actas de la 2.a Conferencia
internacional IEEE sobre redes y comunicaciones 2024, ICNWC 2024, [Online].
Disponible en: DOI: 10.1109/ICNWC60771.2024.10537550
[28] Al. M,
Aburub. F, Matar. N, Nofal. M.
I, Sowan. B, y Fasha. M, (2024) «Cómo
proteger las finanzas digitales: aplicación del aprendizaje automático para el
análisis de fraudes», Ammán, Jordania. 2a Conferencia Internacional
sobre Ciberresiliencia, ICCR 2024, [Online]. Disponible en: DOI: 10.1109/ICCR61006.2024.10533140
[29] Sivakumar,
Mariyappan, y Prakash. P., «Enfoque algorítmico basado en aprendizaje
automático para una mejor detección de anomalías en transacciones
financieras», Bengaluru, India. Apuntes de la asignatura de Ingeniería de
Datos y Tecnologías de la Comunicación, vol. 93, págs.779-790, [Online]. Disponible en: DOI:
10.1007/978-981-16-6605-6_59
[30] Jahan. I y Kumar. M, (2023) «Genetic
Algorithm Based Neural Network Framework for Fraudulent Transaction
Detection», Greater Noida, India. Proceedings - 4th IEEE 2023 International
Conference on Computing, Communication, and Intelligent Systems, ICCCIS 2023, págs. 631-635, [Online]. Dispnible
en: https://ieeexplore.ieee.org/document/10425407
[31] Paulraj. B, (2024) «Machine Learning
Approaches for Credit Card Fraud Detection: A Comparative Analysis and the
Promise of 1D Convolutional Neural Networks», Honolulu, HI, EE. UU.
Proceedings - 2024 7th International Conference on Information and Computer
Technologies, ICICT 2024, págs. 82-92, [Online].
Disponible en: https://ieeexplore.ieee.org/document/10541645
[32] Owolafe. O,
Ogunrinde. O. B, y Thompson. A. F. B, «Un modelo de memoria a corto plazo para
la detección de fraudes con tarjetas de crédito», Akure, Nigeria.
Estudios en Inteligencia Computacional, vol. 972, Springer Science and
Business Media Deutschland GmbH, págs. 369-391. [Online]. Disponible en: DOI:
10.1007/978-3-030-72236-4_15
[33] Ponnusamy.
S, Antari. J, Bhaladhare. P, Potgantwar. A, y Kalyanaraman. S, (2024) «Mejorar
la seguridad en los espacios públicos mediante redes generativas antagónicas
(GAN)», Nashik, India Mejorar
la seguridad en los espacios públicos mediante redes generativas antagónicas
(GAN), págs. 1-409, [Online]. Disponible en:
https://www.igi-global.com/book/enhancing-security-public-spaces-through/336531
[34] Atassi. R,
Zikriyoev. A, Turayev. N, y Botırovna. S., (2022) «Mejora de la detección de
fraudes financieros mediante un modelo de aprendizaje automático de conjunto
ajustado por parámetros», United Arab Emirates, Uzbekistan. Revista de
Ciberseguridad y Gestión de la Información, vol. 13, n.o 2, págs. 66-74, [Online]. Disponible en: DOI:
10.54216/JCIM.130205
[35] Hiremath. A., Arya. A, Sriranga. L, Reddy K y Nikhil. M, (2024) «Ensemble of
Graph Neural Networks for Enhanced Financial Fraud Detection», Pune, India. págs. 1-8, jun. 2024,
[Online]. Disponible en: https://ieeexplore.ieee.org/document/10543898
[36] Abdirahman.
A., Hashi. A., Dahir. U., Elmi. M., y Rodriguez. O., «Mejora de la seguridad
en los pagos con billetera móvil: detección de fraudes basada en aprendizaje
automático en las principales plataformas de billetera», Thiruvallur, India.
Revista internacional SSRG de ingeniería electrónica y de comunicaciones, vol.
11, n.o 3, págs. 96-105, [Online]. Disponible en: DOI:
10.1109/ICNWC60771.2024.10537550
[37] Thomas. R y
Judith. J. E, (2020) «Detección de valores atípicos híbridos en conjuntos de
datos de atención médica mediante DNN y una SVM de clase única», Kumaracoil,
India. Actas de la 4a Conferencia internacional sobre electrónica,
comunicaciones y tecnología aeroespacial, ICECA 2020, págs. 1293-1298,
[Online]. Disponible en: DOI: 10.1109/ICECA49313.2020.9297401
[38] Faridpour.
M y Moradi. A, «Un nuevo método para la detección de transacciones bancarias
fraudulentas utilizando redes neuronales multicapa con tasa de aprendizaje
adaptativa», Revista internacional de análisis no lineal y aplicaciones, vol.
11, n.o 2, pp. 437-445, doi: 10.22075/ijnaa.2020.4576.
[39] Talledo R.,
y Álava. L., «Análisis del uso de redes de reconocimiento de patrones en la
aplicación de redes eléctricas inteligentes [Análisis del uso de redes
eléctricas inteligentes][Análisis del empleo de redes de reconocimiento de
patrones en la aplicación de redes eléctricas inteligentes]», Portoviejo,
Ecuador. Sapienza, vol. 3, n.o 2, págs. 816-825, DOI:
10.51798/sijisv3i2.408
[40] Al-Milli.
N y Hammo. B., (2020) «Un modelo de red neuronal convolucional para detectar
URL ilegítimas», Amam Jordania. 2020 11a Conferencia Internacional
sobre Sistemas de Información y Comunicación, ICICS 2020, págs. 220-225,
[Online]. Disponible en: DOI: 10.1109/ICICS49469.2020.239536
[41] Feng. B.,
Cheng. X, Xu. H., y Xue. W., «Calificaciones crediticias corporativas basadas
en redes neuronales de grafos heterogéneos jerárquicos», Beijing, China.
Investigación en inteligencia de máquinas, vol. 21, n.o 2, págs.
257-271, [Online]. Disponible en: DOI: 10.1007/s11633-023-1425-9
[42] Ameijeiras S, Valdés
S, & González D. (2021).
«Algoritmos de
detección de anomalías con redes profundas. Revisión para detección de fraudes
bancarios.» La Habana, Cuba.
Revista Cubana de Ciencias Informáticas, 15(4), 244–264. [Online]. Disponible
en:
http://scielo.sld.cu/scielo.php?pid=S2227-18992021000500244&script=sci_arttext&tlng=en
[43] Lissette. J
y Moran. Z, «La inteligencia artificial en la detección de intrusiones en
entornos de redes definidas por software (SDN).», Babahoyo, Ecuador. Págs.
1-55. 2023, Accedido: 28 de julio de 2024. [En línea]. Disponible en:
http://dspace.utb.edu.ec/handle/49000/15119
[44] VR Saddi, B. Gnanapa, S. Boddu y J.
Logeshwaran, "El papel del procesamiento del lenguaje natural en la
detección del fraude en seguros", 2023 4th International Conference on Communication,
Computing and Industry 6.0 (C216), Bangalore, India, 2023, págs. 1-6, doi:
10.1109/C2I659362.2023.10430658.
[45] Ranganatha. H, Syed Mustafa. A (2024) «
Enhancing fraud detection efficiency in mobile transactions through the
integration of bidirectional 3d Quasi-Recurrent Neural network and blockchain
technologies » Karnataka, Belagavi, India. [Online]. disponible
en: https://www.scopus.com/inward/record.uri?eid=2-s2.0-85203871141&doi=10.1016%2fj.eswa.2024.125179&partnerID=40&md5
[46] Damoun, F., Seba, H., State, R. (2024) «Privacy-Preserving Behavioral
Anomaly Detection in Dynamic Graphs for Card Transactions» Villeurbanne,
Francia. pp. 286-301. [Online]. Disponible en:
https://www.scopus.com/inward/record.uri?eid=2-s2.0-85211250721&doi=10.1007%2f978-981-96-0576-7_22&partnerID=40&m
[47] Lin, J., Guo, X., Zhu, Y., Mitchell, S.,
Altman, E., Shun, J. «FraudGT: A Simple, Effective,
and Efficient Graph Transformer for Financial Fraud Detection» (2024) ICAIF
2024 - 5th ACM International Conference on AI in Finance, pp. 292-300. 1)
https://www.scopus.com/inward/record.uri?eid=2-s2.0-85214894401&doi=10.1145%2f3677052.3698648&partnerID=40&md5=7DOI:
10.1145/3677052.3698648
[48] Gudivaka,
B. Almusawi, M. Priyanka, M. Dhanda, M. y Thanjaivadivel, M. «Una red
generativa adversaria con autocodificador variacional mejorado con red
neuronal convolucional para la detección de transacciones financieras
fraudulentas», Segunda Conferencia Internacional sobre Ciencia de Datos y
Sistemas de Información (ICDSIS) de 2024, Hassan, India, 2024, págs. 1-4, doi:
10.1109/ICDSIS61070.2024.10594271.
[49] Shanbhog.
N, Totad. K, Hanchinal. A y Bidargaddi. A, «Detección de fraudes en
transacciones financieras mediante un enfoque de aprendizaje profundo: un
estudio comparativo», 2024 5th International
Conference for Emerging Technology (INCET), Belgaum, India, 2024, págs. 1-7,
doi: 10.1109/INCET61516.2024.10593486.
[50] Jahan. I y
Kumar. M, «Marco de red neuronal basado en algoritmos genéticos para la
detección de transacciones fraudulentas», Conferencia internacional sobre
informática, comunicación y sistemas inteligentes (ICCCIS) de 2023, Gran
Noida, India, 2023, págs. 631-635, doi: 10.1109/ICCCIS60361.2023.10425407.
[51] Yousuf. M, Kabir. T, Raka. N, Siddikha. S, Rahman. M y Ferdaus. J, «Detección
de fraudes con tarjetas de crédito basada en SMOTE mediante redes neuronales
convolucionales», 25.ª Conferencia internacional sobre informática y
tecnología de la información (ICCIT) de 2022, Cox's Bazar, Bangladesh, 2022,
págs. 55-60, doi: 10.1109/ICCIT57492.2022.10054727.
[52] Sheth. A, Nair. A,
Rai. A y Sawant. R, «Predicción y análisis de la detección de
fraudes en finanzas: un enfoque basado en el aprendizaje profundo y el aprendizaje
automático», 2024 4th International Conference on Intelligent Technologies
(CONIT), Bangalore, India, 2024, págs. 1-6, doi:
10.1109/CONIT61985.2024.10626214.
[53] Sharma. R y
Sharma. A, «Combatir el fraude financiero digital mediante enfoques
estratégicos de aprendizaje profundo», 2024 2nd International Conference on
Sustainable Computing and Smart Systems (ICSCSS) , Coimbatore, India, 2024,
págs. 824-828, doi: 10.1109/ICSCSS60660.2024.10625249.
[54] Chandradeva.
L, Jayasooriya. I y Aponso. A, «Solución de detección de fraudes para
transacciones monetarias con codificadores automáticos», Conferencia Nacional
de Tecnología de la Información (NITC) de 2019, Colombo, Sri Lanka, 2019,
págs. 31-34, doi: 10.1109/NITC48475.2019.9114519.
[55] Sharma. R and Gupta. S, «Strategic
Deployment of Deep Learning Algorithms to Mitigate Fraud in Online Finance»,
2024 7th International Conference on Circuit Power and Computing Technologies
(ICCPCT), Kollam, India, 2024, pp. 1007-1011, doi:
10.1109/ICCPCT61902.2024.10673115.