Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero

Katherin Lizeth Rodriguez-Tovar, Fernando Gutiérrez-Portela, Ludivia Hernández-Aros
{"title":"Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero","authors":"Katherin Lizeth Rodriguez-Tovar, Fernando Gutiérrez-Portela, Ludivia Hernández-Aros","doi":"10.18845/tm.v36i8.6927","DOIUrl":null,"url":null,"abstract":"En el mundo moderno se hace necesario el uso de técnicas, metodologías y acciones en busca de la integración de los diversos avances, herramientas y elementos vigentes para el trabajo conjunto en la solución a las problemáticas que afectan las finanzas de las organizaciones, puesto que ellas hacen que exista una dinámica empresarial, creando valor económico. Teniendo en cuenta lo anterior, en este estudio se analiza la prevención de fraudes empresariales, mediante el uso de técnicas de aprendizaje automático y profundo para generar prevención, tratamiento y resolución a los fraudes llevados a cabo en sistemas del orden financiero. A nivel metodológico, se obtuvo información en bases de datos a nivel documental, con fuentes fidedignas y estudios de caso, donde se prueba la efectividad en el uso de las técnicas anteriormente nombradas en la detección temprana del fraude empresarial.
 Los resultados obtenidos en los documentos consultados expresan que los algoritmos que presentan mayor efectividad en la prevención de estos fraudes son árbol de decisión, C5.0-SVM, Naïve Bayes y Random Forest, con porcentajes de: 92%, 83.15%, 80,4% y 76, 7% respectivamente. Frente al aprendizaje profundo, la literatura mostró que al hacer uso de unidades lógicas aritméticas neuronales y realizando la correcta clasificación de las neuronas iNALU y ReLU el porcentaje de efectividad incrementa en gran proporción.
 En la parte final de este documento se presentan y consolidan resultados y conclusiones, todo en el marco de la temática abordada, además la información recopilada en este documento está debidamente respaldada por los derechos de autor a quien corresponde.","PeriodicalId":22225,"journal":{"name":"Tecnología en Marcha","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2023-10-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Tecnología en Marcha","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.18845/tm.v36i8.6927","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

Abstract

En el mundo moderno se hace necesario el uso de técnicas, metodologías y acciones en busca de la integración de los diversos avances, herramientas y elementos vigentes para el trabajo conjunto en la solución a las problemáticas que afectan las finanzas de las organizaciones, puesto que ellas hacen que exista una dinámica empresarial, creando valor económico. Teniendo en cuenta lo anterior, en este estudio se analiza la prevención de fraudes empresariales, mediante el uso de técnicas de aprendizaje automático y profundo para generar prevención, tratamiento y resolución a los fraudes llevados a cabo en sistemas del orden financiero. A nivel metodológico, se obtuvo información en bases de datos a nivel documental, con fuentes fidedignas y estudios de caso, donde se prueba la efectividad en el uso de las técnicas anteriormente nombradas en la detección temprana del fraude empresarial. Los resultados obtenidos en los documentos consultados expresan que los algoritmos que presentan mayor efectividad en la prevención de estos fraudes son árbol de decisión, C5.0-SVM, Naïve Bayes y Random Forest, con porcentajes de: 92%, 83.15%, 80,4% y 76, 7% respectivamente. Frente al aprendizaje profundo, la literatura mostró que al hacer uso de unidades lógicas aritméticas neuronales y realizando la correcta clasificación de las neuronas iNALU y ReLU el porcentaje de efectividad incrementa en gran proporción. En la parte final de este documento se presentan y consolidan resultados y conclusiones, todo en el marco de la temática abordada, además la información recopilada en este documento está debidamente respaldada por los derechos de autor a quien corresponde.
分析有监督的机器学习和深度技术在金融欺诈检测中的使用
在现代世界变得使用必要的技术、方法和行动,寻找各种进展,工具和内容并入现行共同工作在解决财政问题影响的组织,因为他们做企业有活力,创造了经济价值。考虑到上述情况,本研究分析了企业欺诈预防,通过使用机器学习和深度技术来产生预防、处理和解决金融秩序系统中发生的欺诈。在方法层面,通过可靠的来源和案例研究,从文献层面的数据库中获得信息,证明使用上述技术在早期检测商业欺诈方面的有效性。在文献中获得的结果表明,决策树算法、C5.0-SVM算法、naive贝叶斯算法和随机森林算法在预防这些欺诈方面效率最高,分别为92%、83.15%、80.4%和76.7%。与深度学习相比,文献表明,使用神经算术逻辑单元并对iNALU和ReLU神经元进行正确分类,有效百分比大大提高。本文件的最后一部分提出并巩固了结果和结论,所有这些都在讨论的主题框架内,此外,本文件中收集的信息得到了相应的版权的适当支持。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信