Marcas heurísticas con deep learning
| dc.contributor.Mentor | Svarc, Marcela | |
| dc.creator.Autor | Wolinsky, Matias Uriel | |
| dc.date.accessioned | 2026-04-13T17:30:25Z | |
| dc.date.available | 2026-04-13T17:30:25Z | |
| dc.date.issued | 2026 | |
| dc.description | Fil: Wolinsky, Matias Uriel. Universidad de San Andrés. Departamento de Matemática y Ciencias; Argentina. | |
| dc.description.abstract | En el contexto de la prevención del fraude transaccional, las decisiones de aprobación o rechazo de pagos se determinan mediante modelos de Machine Learning supervisados y reglas de negocio. Una limitación fundamental es que el estado final de las transacciones rechazadas permanece desconocido, lo que dificulta evaluar la efectividad de los rechazos. Tradicionalmente se han utilizado marcas heurísticas binarias para identificar rechazos potencialmente riesgosos, pero presentan limitaciones significativas: alta tasa de falsos positivos (solo el 15.6% de los pagos aprobados marcados resultan fraudulentos), imposibilidad de establecer ordenamiento de severidad, y construcción basada en un subconjunto limitado de restricciones). Este trabajo propone desarrollar un score continuo de detección de anomalías mediante un modelo de Deep Learning no supervisado basado en un Variational Autoencoder (VAE) que aprende la distribución de transacciones legítimas aprobadas. Para abordar la heterogeneidad de datos provenientes de ocho dominios distintos (cuatro países y dos tipos de transferencia), se implementó una arquitectura adversarial multi-dominio con Gradient Reversal Layer (GRL) que fuerza representaciones invariantes al dominio, junto con mecanismos de cross-attention para mejorar la reconstrucción. El modelo se entrenó con 468 features sobre más de 27 millones de transacciones históricas, optimizando hiperparámetros mediante Optuna. La evaluación demostró que el modelo discrimina efectivamente entre transacciones legítimas y fraudulentas sin supervisión. Utilizando el umbral del percentil 99 del error de reconstrucción, solo el 1.02% de transacciones legítimas fueron clasificadas como anómalas, mientras que el 10.77% de las fraudulentas fueron correctamente identificadas. Este comportamiento se mantuvo consistente a través de todos los dominios, superando las limitaciones de las marcas heurísticas tradicionales y permitiendo establecer un ordenamiento continuo de riesgo para mejorar la detección de fraude transaccional. | |
| dc.format | application/pdf | |
| dc.identifier.uri | https://repositorio.udesa.edu.ar/handle/10908/26331 | |
| dc.language | spa | |
| dc.publisher | Universidad de San Andrés. Departamento de Matemática y Ciencias | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.title | Marcas heurísticas con deep learning | |
| dc.type | Tesis | |
| dc.type | info:eu-repo/semantics/masterThesis | |
| dc.type | info:ar-repo/semantics/tesis de maestría | |
| dc.type | info:eu-repo/semantics/updatedVersion |
Files
Original bundle
Loading...
- Name:
- [P][W] M. C.deD. Wolinsky, Matias Uriel.pdf
- Size:
- 1.72 MB
- Format:
- Adobe Portable Document Format
- Description: