Un primer acercamiento a un modelo predictivo ajustable por umbrales para detección de fraudes financieros

Autores
Fióla, Fabián; Alvez, Carlos E.; Chesñevar, Carlos Iván
Año de publicación
2020
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El fraude en el sector financiero en transacciones con tarjetas de crédito y débito es un fenómeno que ha recibido el estudio de la comunidad científica por su impacto económico, tanto en individuos como en instituciones. Analizar este problema desde la perspectiva de machine learning es un gran desafío por la poca disponibilidad de transacciones etiquetadas y el desbalanceo en la proporción de clases. En este trabajo exploramos un enfoque alternativo basado en el ajuste del umbral de probabilidad del algoritmo de fraude. A través de experimentaciones mostramos que este abordaje es eficiente y constituye una alternativa válida para detectar fraude de forma efectiva.
Sociedad Argentina de Informática
Materia
Ciencias Informáticas
Fraude financiero
Inteligencia artificial
Machine learning
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/3.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/116433
Acceder
id SEDICI_f9570aebe6cc11d4a9feb4133fcc914d
oai_identifier_str oai:sedici.unlp.edu.ar:10915/116433
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Un primer acercamiento a un modelo predictivo ajustable por umbrales para detección de fraudes financierosFióla, FabiánAlvez, Carlos E.Chesñevar, Carlos IvánCiencias InformáticasFraude financieroInteligencia artificialMachine learningEl fraude en el sector financiero en transacciones con tarjetas de crédito y débito es un fenómeno que ha recibido el estudio de la comunidad científica por su impacto económico, tanto en individuos como en instituciones. Analizar este problema desde la perspectiva de machine learning es un gran desafío por la poca disponibilidad de transacciones etiquetadas y el desbalanceo en la proporción de clases. En este trabajo exploramos un enfoque alternativo basado en el ajuste del umbral de probabilidad del algoritmo de fraude. A través de experimentaciones mostramos que este abordaje es eficiente y constituye una alternativa válida para detectar fraude de forma efectiva.Sociedad Argentina de Informática2020-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf114-127http://sedici.unlp.edu.ar/handle/10915/116433spainfo:eu-repo/semantics/altIdentifier/url/http://49jaiio.sadio.org.ar/pdfs/asai/ASAI-09.pdfinfo:eu-repo/semantics/altIdentifier/issn/2451-7585info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/3.0/Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:27:14Zoai:sedici.unlp.edu.ar:10915/116433Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:27:14.71SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Un primer acercamiento a un modelo predictivo ajustable por umbrales para detección de fraudes financieros
title Un primer acercamiento a un modelo predictivo ajustable por umbrales para detección de fraudes financieros
spellingShingle Un primer acercamiento a un modelo predictivo ajustable por umbrales para detección de fraudes financieros
Fióla, Fabián
Ciencias Informáticas
Fraude financiero
Inteligencia artificial
Machine learning
title_short Un primer acercamiento a un modelo predictivo ajustable por umbrales para detección de fraudes financieros
title_full Un primer acercamiento a un modelo predictivo ajustable por umbrales para detección de fraudes financieros
title_fullStr Un primer acercamiento a un modelo predictivo ajustable por umbrales para detección de fraudes financieros
title_full_unstemmed Un primer acercamiento a un modelo predictivo ajustable por umbrales para detección de fraudes financieros
title_sort Un primer acercamiento a un modelo predictivo ajustable por umbrales para detección de fraudes financieros
dc.creator.none.fl_str_mv Fióla, Fabián
Alvez, Carlos E.
Chesñevar, Carlos Iván
author Fióla, Fabián
author_facet Fióla, Fabián
Alvez, Carlos E.
Chesñevar, Carlos Iván
author_role author
author2 Alvez, Carlos E.
Chesñevar, Carlos Iván
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Fraude financiero
Inteligencia artificial
Machine learning
topic Ciencias Informáticas
Fraude financiero
Inteligencia artificial
Machine learning
dc.description.none.fl_txt_mv El fraude en el sector financiero en transacciones con tarjetas de crédito y débito es un fenómeno que ha recibido el estudio de la comunidad científica por su impacto económico, tanto en individuos como en instituciones. Analizar este problema desde la perspectiva de machine learning es un gran desafío por la poca disponibilidad de transacciones etiquetadas y el desbalanceo en la proporción de clases. En este trabajo exploramos un enfoque alternativo basado en el ajuste del umbral de probabilidad del algoritmo de fraude. A través de experimentaciones mostramos que este abordaje es eficiente y constituye una alternativa válida para detectar fraude de forma efectiva.
Sociedad Argentina de Informática
description El fraude en el sector financiero en transacciones con tarjetas de crédito y débito es un fenómeno que ha recibido el estudio de la comunidad científica por su impacto económico, tanto en individuos como en instituciones. Analizar este problema desde la perspectiva de machine learning es un gran desafío por la poca disponibilidad de transacciones etiquetadas y el desbalanceo en la proporción de clases. En este trabajo exploramos un enfoque alternativo basado en el ajuste del umbral de probabilidad del algoritmo de fraude. A través de experimentaciones mostramos que este abordaje es eficiente y constituye una alternativa válida para detectar fraude de forma efectiva.
publishDate 2020
dc.date.none.fl_str_mv 2020-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/116433
url http://sedici.unlp.edu.ar/handle/10915/116433
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/http://49jaiio.sadio.org.ar/pdfs/asai/ASAI-09.pdf
info:eu-repo/semantics/altIdentifier/issn/2451-7585
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/3.0/
Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/3.0/
Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0)
dc.format.none.fl_str_mv application/pdf
114-127
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616150451748864
score 13.070432

Publicaciones similares