Marcas heurísticas con deep learning

Fil: Wolinsky, Matias Uriel. Universidad de San Andrés. Departamento de Matemática y Ciencias; Argentina.

Guardado en:
Detalles Bibliográficos
Autor principal: Wolinsky, Matias Uriel
Otros Autores: Svarc, Marcela
Formato: Tesis Tesis de maestría updatedVersion
Lenguaje:Español
Publicado: Universidad de San Andrés. Departamento de Matemática y Ciencias 2026
Acceso en línea:https://repositorio.udesa.edu.ar/handle/10908/26331
Aporte de:
Repositorio Digital - Universidad de San Andrés (UdeSa) de Universidad de San Andrés
id I37-R143-10908-26331
record_format dspace
spelling I37-R143-10908-263312026-04-14T03:00:50Z Marcas heurísticas con deep learning Wolinsky, Matias Uriel Svarc, Marcela Fil: Wolinsky, Matias Uriel. Universidad de San Andrés. Departamento de Matemática y Ciencias; Argentina. 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. 2026-04-13T17:30:25Z 2026-04-13T17:30:25Z 2026 Tesis info:eu-repo/semantics/masterThesis info:ar-repo/semantics/tesis de maestría info:eu-repo/semantics/updatedVersion https://repositorio.udesa.edu.ar/handle/10908/26331 spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-nd/4.0/ application/pdf application/pdf Universidad de San Andrés. Departamento de Matemática y Ciencias
institution Universidad de San Andrés
institution_str I-37
repository_str R-143
collection Repositorio Digital - Universidad de San Andrés (UdeSa)
language Español
description Fil: Wolinsky, Matias Uriel. Universidad de San Andrés. Departamento de Matemática y Ciencias; Argentina.
author2 Svarc, Marcela
author_facet Svarc, Marcela
Wolinsky, Matias Uriel
format Tesis
Tesis de maestría
Tesis de maestría
updatedVersion
author Wolinsky, Matias Uriel
spellingShingle Wolinsky, Matias Uriel
Marcas heurísticas con deep learning
author_sort Wolinsky, Matias Uriel
title Marcas heurísticas con deep learning
title_short Marcas heurísticas con deep learning
title_full Marcas heurísticas con deep learning
title_fullStr Marcas heurísticas con deep learning
title_full_unstemmed Marcas heurísticas con deep learning
title_sort marcas heurísticas con deep learning
publisher Universidad de San Andrés. Departamento de Matemática y Ciencias
publishDate 2026
url https://repositorio.udesa.edu.ar/handle/10908/26331
work_keys_str_mv AT wolinskymatiasuriel marcasheuristicascondeeplearning
_version_ 1865138794948198400

Ejemplares similares