Resumen

La detección de fraudes con tarjetas de crédito (CCFD) es importante para proteger la propiedad de los titulares de tarjetas y la reputación de los bancos. El desequilibrio de clases en los datos de transacciones con tarjetas de crédito es un factor principal que afecta el rendimiento de clasificación de los modelos de detección actuales. Sin embargo, los enfoques previos se centran en mejorar la precisión de predicción de las muestras de la clase minoritaria (transacciones fraudulentas), lo que generalmente conduce a una caída significativa en el rendimiento predictivo de los modelos para las muestras de la clase mayoritaria (transacciones legales), lo que aumenta considerablemente el costo de investigación para los bancos. En este artículo, proponemos un modelo de aprendizaje de conjunto heterogéneo basado en la distribución de datos (HELMDD) para abordar los datos desequilibrados en CCFD. Validamos la efectividad de HELMDD en dos conjuntos de datos reales de tarjetas de crédito. Los resultados experimentales demuestran que

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Detección de fraudes con tarjetas de crédito; Bancos; Desequilibrio de clases; Modelos de detección; Clase minoritaria; Modelo de aprendizaje en conjunto
• Keywords:Credit card fraud detection; Banks; Class imbalance; Detection models; Minority class; Ensemble learning model