Algoritmos de detección de anomalías con redes profundas. Revisión para detección de fraudes bancarios

• Autores: David Ameijeiras Sánchez, Odeynis Valdés Suárez, Héctor Raúl González Diez
• Localización: Revista Cubana de Ciencias Informáticas, ISSN-e 2227-1899, Vol. 15, Nº. Extra 4, 2021
• Idioma: español
• Títulos paralelos:
  • Anomaly detection algorithms with deep networks. Review for Bank Fraud Detection
• Enlaces
  • Texto completo
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    Los diversos avances en las ciencias y los grandes volúmenes de datos que se han generado sólo en los últimos años han sobrepasado la capacidad humana para recolectar, almacenar y comprender los mismos sin el uso de las herramientas adecuadas limitando las capacidades de detección de fraudes en las instituciones. Una forma de fraude bancario es el que ocurre con las tarjetas de crédito/débito; estas se han convertido en un método de pago muy popular en las compras online de bienes y servicios. Es por estos motivos que se realizó un análisis de los principales algoritmos de detección de anomalías basados en aprendizaje profundo enfocado en el fraude bancario. Se determinó que las arquitecturas basadas en AEs destacan en tareas no supervisadas y las (Long short-term memory) LSTM para tareas de clasificación.

  • English

    The various advances in science and the large volumes of data that have been generated only in recent years have surpassed the human capacity to collect, store and understand them without the use of the appropriate tools, limiting the fraud detection capabilities of companies. institutions. One form of bank fraud is that which occurs with credit / debit cards; these have become a very popular payment method for online purchases and services. It is for these reasons that an analysis of the main anomaly detection algorithms based on deep learning focused on bank fraud was carried out. Architectures based on AEs were found to excel at unsupervised tasks and (Long short-term memory) LSTMs for classification tasks.

• Referencias bibliográficas
  • Abroyan, N. (2017). Neural networks for financial market risk classification. Frontiers in Signal Processing. 1.
  • Alcalde, A. (2018). Aprendizaje no Supervisado y Detección de Anomalías: ¿Qué es una Anomalía?. El Baúl del Programador.
  • Alghofaili, Y,Albattah, A,Rassam, M. A. (2020). A Financial Fraud Detection Model Based on LSTM Deep Learning Technique.. Journal of Applied...
  • Arroyo, A. C,Torres, G. S. (2020). Remoción de lluvia en imágenes por medio de una arquitectura de autoencoder. Investigación e Innovación...
  • Branco, B,Abreu, P,Gomes, A. S,Almeida, M. S,Ascensão, J,Bizarro, P. (2020). Interleaved Sequence RNNs for Fraud Detection.. Proceedings of...
  • Chandola, V,Banerjee, A,Kumar, V. (2007). Outlier detection: A survey.. ACM Computing Surveys. 14.
  • Chandola, V,Banerjee, A,Kumar, V. (2009). Anomaly detection: A survey. ACM computing surveys (CSUR). 41. 1-58
  • Cho, K,Van Merriënboer, B,Gulcehre, C,Bahdanau, D,Bougares, F,Schwenk, H,Bengio, Y. (2014). Learning phrase representations using RNN encoder-decoder...
  • Cruz Quispe, L. M,Rantes García, M. T. (2010). Detección de fraudes usando técnicas de clustering.
  • Durán Suárez, J. (2017). Redes neuronales convolucionales en R: Reconocimiento de caracteres escritos a mano.. Universidad de Sevilla.
  • Erich, H.-P. K. P. K,Zimek, S. A. (2011). Interpreting and unifying outlier scores.. 11th SIAM International Conference on Data Mining (SDM)....
  • Fiore, U,De Santis, A,Perla, F,Zanetti, P,Palmieri, F. (2019). Using generative adversarial networks for improving classification effectiveness...
  • Fomin, I. S,Bakhshiev, A. V. (2019). Network for Object Classification in Outdoor Video Surveillance System, en Cham. Springer International...
  • Fu, K,Cheng, D,Tu, Y,Zhang, L. (2016). Credit card fraud detection using convolutional neural networks. International Conference on Neural...
  • García Costa, H. (2018). Herramienta para la detección de anomalías en el suministro eléctrico en el ámbito asistencial.
  • Goodfellow, I,Bengio, Y,Courville, A,Bengio, Y. (2016). Deep learning. MIT press Cambridge. 1.
  • Goodfellow, I. J,Pouget-Abadie, J,Mirza, M,Xu, B,Warde-Farley, D,Ozair, S,Courville, A,Bengio, Y. (2014). Generative adversarial networks.....
  • Hawkins, S,He, H,Williams, G,Baxter, R. (2002). Outlier detection using replicator neural networks.
  • He, Z,Xu, X,Deng, S. (2003). Discovering cluster-based local outliers. Pattern Recognition Letters.
  • Hochreiter, S. (1997). JA1 4 rgen Schmidhuber. Neural Computation.
  • Jurgovsky, J,Granitzer, M,Ziegler, K,Calabretto, S,Portier, P.-E,He-Guelton, L,Caelen, O. (2018). Sequence classification for credit-card...
  • Knorr, E. M,Ng, R. T,Tucakov, V. (2000). Distance-based outliers: Algorithms and applications.. The VLDB Journal,. 8. 3-4
  • Lazarevic, A,Kumar, V. (2005). Feature bagging for outlier detection.. Proceedings of the eleventh ACM SIGKDD international conference on...
  • Li, D,Chen, D,Goh, J,Ng, S. (2018). Anomaly detection with generative adversarial networks for multivariate time series. arXiv preprint arXiv:1809.04758....
  • Li, X,Yu, W,Luwang, T,Zheng, J,Qiu, X,Zhao, J,Xia, L,Li, Y. (2018). Transaction fraud detection using gru-centered sandwich-structured model.....
  • Makhzani, A,Shlens, J,Jaitly, N,Goodfellow,Frey, B. (2015). Adversarial autoencoders.. arXiv preprint arXiv:1511.05644.
  • Ozbayoglu, A. M,Gudelek, M. U,Sezer, O. B. (2020). Deep learning for financial applications: A survey.. Applied Soft Computing.
  • Pal, S. K,Shiu, S. C. K. (2004). Foundations of Case-Based Reasoning.. JohnWiley & Sons, Inc.
  • Paula, E. L,Ladeira, M,Carvalho, R. N,Marzagao, T. (2016). Deep learning anomaly detection as support fraud investigation in brazilian exports...
  • PÉREZ, E. R,MATEOS, A. (2018). Análisis y Detección de Fraude Fiscal Mediante Técnicas de Aprendizaje Automático.
  • Petrosino, A,Maddalena, L. (2012). Neural Networks in Video Surveillance: A Perspective View.
  • Phua, C,Lee, V,Smith, K,Gayler, R. (2010). A comprehensive survey of data mining-based fraud detection research. arXiv preprint arXiv:1009.6119....
  • Pumsirirat, A,Yan, L. (2018). Credit card fraud detection using deep learning based on auto-encoder and restricted boltzmann machine.. International...
  • Qiu, X,Zhang, L,Ren, Y,Suganthan, P. N,Amaratunga, G. (2014). Ensemble deep learning for regression and time series forecasting.. IEEE symposium...
  • Rodrigo, J. (2020). Detección de anomalías: Autoencoders y PCA. Cienciadedatos.net..
  • Schölkopf, B,Platt, J. C,Shawe-Taylor, J,Smola, A. J,Williamson, R. C. (2001). Estimating the support of a high-dimensional distribution.....
  • Singhal, A. (2007). Data modeling and data warehousing techniques to improve intrusion detection.. Data warehousing and data mining techniques...
  • Zhang, Z,Zhou, X,Zhang, X,Wang, L,Wang, P. (2018). A model based on convolutional neural network for online transaction fraud detection. Security...
  • Zheng, P,Yuan, S,Wu, X,Li, J. (2019). One-class adversarial nets for fraud detection.. Proceedings of the AAAI Conference on Artificial Intelligence,....
  • Zheng, Y.-J,Zhou, X.-H,Sheng, W.-G,Xue, Y,Chen, S.-Y. (2018). Generative adversarial network based telecom fraud detection at the receiving...
  • Zou, J,Zhang, J,Jiang, P. (2019). Credit card fraud detection using autoencoder neural network.. arXiv preprint arXiv:1908.11553.