Revisión sistemática de literatura de redes neuronales para la detección de fraudes en transacciones financieras
DOI:
https://doi.org/10.56124/encriptar.v8i15.014Palabras clave:
Redes neuronales, Detección de fraudes, Transacciones financieras, Metodología PRISMA, CiberseguridadResumen
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.
Descargas
Citas
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
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
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
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
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
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
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
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
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
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
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
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
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.
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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.
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
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
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
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
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
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.
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
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
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
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.
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.
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.
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.
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.
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.
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.
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.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Revista Científica de Informática ENCRIPTAR - ISSN: 2737-6389.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
