Red generativa adversarial dual-discriminadora sensible a los límites para la aumento de datos en la detección de...

Área de la Ciencia:

• Ciencias de la Computación
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• El crecimiento de los pagos digitales aumenta la complejidad de la Detección de Fraudes en Transacciones Financieras (FTFD).
• El desequilibrio extremo de clases, con pocos casos fraudulentos, dificulta la precisión de los modelos FTFD.
• Los métodos existentes de aumento de datos tienen dificultades con los patrones de fraude anómalos y las estrategias de ocultación.

Objetivo del estudio:

• Abordar el problema del desequilibrio de clases en la Detección de Fraudes en Transacciones Financieras (FTFD).
• Mejorar la capacidad de los modelos FTFD para aprender y detectar con precisión los patrones de fraude.
• Mejorar la calidad de la generación de datos sintéticos de fraude para un mejor entrenamiento del modelo.

Principales métodos:

• Se propuso una Red Generativa Adversarial Dual-Discriminadora Sensible a los Límites (BADGAN).
• Se integró un clasificador de muestras de límites y un mecanismo de doble restricción utilizando el aprendizaje adversarial de distancia.
• Se permitió al generador producir muestras sintéticas que se adhieren a la distribución real del fraude y mantienen la distancia de los límites de decisión.

Principales resultados:

• BADGAN genera eficazmente muestras de fraude sintéticas de alta calidad cerca de los límites de clasificación.
• El enfoque sensible a los límites optimiza la calidad de la muestra, mejorando el rendimiento del clasificador posterior.
• Los experimentos en conjuntos de datos del mundo real y públicos confirmaron la superioridad de BADGAN sobre métodos similares.

Conclusiones:

• BADGAN mitiga con éxito el desequilibrio de clases en FTFD.
• El método propuesto mejora la precisión y la solidez de los modelos de detección de fraude.
• BADGAN ofrece una solución prometedora para mejorar los sistemas de detección de fraude en transacciones financieras.