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

• Ano de defesa: 2025
• Autor(a) principal: Torezone, Evelyn Adrielly Crislley
• Orientador(a): Cavalieri, Daniel Cruz
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Serra
• Palavras-chave em Português: Automação; Redes neurais; Algoritmos; Aprendizado de máquina; Instituições financeiras; Algoritmos One-Class; Autoencoders Variacionais Beta; Fraudes financeiras
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/5825

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.