Detecção de fraudes em transações financeiras : uma abordagem integrada com algoritmos one-class, redes neurais e βvariacionais autoencoders

Abstract

A detecção de fraudes em transações online é um desafio crescente para instituições financeiras e empresas de comércio eletrônico em todo o mundo. À medida que as tecnologias digitais avançam, os métodos fraudulentos tornam-se cada vez mais sofisticados, exigindo soluções igualmente inovadoras. Este projeto concentra-se no desenvolvimento e aplicação de algoritmos de aprendizado de máquina One-Class integrados com Autoencoders Variacionais Beta (β-VAEs) e na utilização de redes neurais que exploram o espaço latente gerado pelos βVAEs, com o objetivo de aprimorar a detecção de fraudes em transações online. AlgoritmosOne-Class são eficazes na identificação de padrões em conjuntos de dados desbalanceados, onde transações legítimas superam em muito as fraudulentas, tornando-os adequados para este cenário. A incorporação dos β-VAEs, que aprendem uma distribuição latente rica e compacta dos dados, aumenta a capacidade discriminativa do modelo ao capturar sutilezas que abordagens convencionais podem negligenciar. Quando combinados com redes neurais que utilizam esse espaço latente, a eficácia na detecção de fraudes é ainda mais ampliada. Além disso, foi proposta uma Métrica de Equilíbrio Ponderado (EqP) para otimizar a análise e implementação em ambientes reais. Essa métrica permite ajustar a sensibilidade e especificidade dos modelos de acordo com diretrizes estratégicas e regulatórias. Os resultados demonstraram que a combinação de β-VAEs com os modelos levou a uma melhoria no EqP de todos os algoritmos e em outras métricas tradicionais como o AUC-ROC e AUC-PR. Particularmente, para a Rede Neural Artificial combinada com o β-VAE, houve uma redução de 58,82% no EqP, além de alcançar AUC-ROC de 0,991 e AUC-PR de 0,858. Alcançar esse equilíbrio foi crucial para maximizar a detecção de fraudes enquanto minimizava o impacto financeiro de decisões incorretas. Esses achados destacam o potencial de combinar β-VAEs com algoritmos one-class e redes neurais para aprimorar os sistemas de detecção de fraudes online, oferecendo uma abordagem promissora para que instituições financeiras e empresas de comércio eletrônico combatam efetivamente atividades fraudulentas sofisticadas. Os resultados obtidos sobre um conjunto de dados de transações eletrônicas fornecem uma visão detalhada dos padrões de comportamento dos usuários e das possíveis fraudes. Esse conjunto de dados contém informações sobre transações realizadas em plataformas de pagamento online, incluindo detalhes como valor da transação, localização, horário, e dados do comprador e vendedor. Com um número significativo de transações, o conjunto de dados oferece uma base robusta para a aplicação de técnicas de aprendizado de máquina, visando identificar padrões anômalos e fraudulentos.

Abstract Fraud detection in online transactions is a growing challenge for financial institutions and ecommerce companies worldwide. As digital technologies advance, fraudulent methods become increasingly sophisticated, requiring equally innovative solutions. This project focuses on the development and application of One-Class machine learning algorithms integrated with Beta Variational Autoencoders (β-VAEs) and neural networks that explore the latent space generated by β-VAEs to enhance fraud detection in online transactions. One-Class algorithms are effective in identifying patterns in imbalanced datasets, where legitimate transactions vastly outnumber fraudulent ones, making them suitable for this scenario. The incorporation of β-VAEs, which learn a rich and compact latent distribution of the data, enhances the model’s discriminative capability by capturing subtleties that conventional approaches might overlook. When combined with neural networks leveraging this latent space, fraud detection efficacy is further improved. Additionally, a Weighted Balance Metric (WBM) was proposed to optimize analysis and implementation in real-world environments. This metric allows the adjustment of model sensitivity and specificity according to strategic and regulatory guidelines. The results demonstrated that the combination of β-VAEs with the models led to improvements in WBM for all algorithms, as well as in traditional metrics such as AUC-ROC and AUC-PR. Specifically, for the Artificial Neural Network combined with the β-VAE, there was a 58.82% reduction in WBM, alongside achieving an AUC-ROC of 0.991 and an AUC-PR of 0.858. Achieving this balance was crucial for maximizing fraud detection while minimizing the financial impact of incorrect decisions. These findings highlight the potential of combining βVAEs with One-Class algorithms and neural networks to enhance online fraud detection systems, offering a promising approach for financial institutions and e-commerce companies to effectively combat sophisticated fraudulent activities. The results obtained from a dataset of electronic transactions provide detailed insights into user behavior patterns and potential fraud. This dataset contains information about transactions made on online payment platforms, including details such as transaction amount, location, time, and buyer and seller details. With a significant number of transactions, the dataset provides a robust basis for applying machine learning techniques to identify anomalous and fraudulent patterns. Keywords: Fraud Detection, Artificial Neural Networks, One-Class Algorithms, Beta Variational Autoencoders