ANÁLISE DO DESEMPENHO DE CLASSIFICADORES SUPERVISIONADOS NA DETECÇÃO DE FRAUDE EM TRANSAÇÕES POR CARTÕES DE CRÉDITO
Resumo
Diversos fatores no âmbito digital contribuem para o crescimento de fraudes em transações realizadas através do cartão de crédito, fato que acarreta prejuízos para pessoas e instituições financeiras. Em resposta a essa problemática, faz-se necessário encontrar medidas que identifiquem e reportem rapidamente esses desvios, tornando as compras digitais mais seguras. Portanto, esse estudo propõe a aplicação de técnicas capazes de, em grande quantidade de dados, extrair padrões e classificá-los como prováveis transações fraudulentas ou não, por meio da aplicação de Machine Learning e do aprimoramento do resultado com Ensemble Learning. O resultado obtido é uma melhoria significativa na performance do algoritmo de KNN combinado com a técnica de stacking, principalmente considerando a métrica Recall.
Referências
ALMAZROI, A. A.; AYUB, N. Online payment fraud detection model using machine learning techniques. IEEE Access, v. 11, p. 137188–137203, 2023. Disponível em:https://doi.org/10.1109/ACCESS.2023.3339226. Acesso em: 08 jul. 2025.
DING, Y. et al. Credit card fraud detection based on improved variational autoencoder generative adversarial network. IEEE Access, v. 11, p. 83680–83691, 2023. Disponível em:https://doi.org/10.1109/ACCESS.2023.3302339. Acesso em: 08 jul. 2025.
ESENOGHO, E. et al. A neural network ensemble with feature engineering for improved credit card fraud detection. IEEE Access, v. 10, p. 16400–16407, 2022. Disponível em:https://ieeexplore.ieee.org/document/9698195. Acesso em: 08 jul. 2025.
GHALEB, F. A. et al. Ensemble synthesized minority oversampling-based generative adversarial networks and random forest algorithm for credit card fraud detection. IEEE Access, v. 11, p. 89694–89710, 2023. Disponível em:https://ieeexplore.ieee.org/document/10224552. Acesso em: 08 jul. 2025.
HASHEMI, S. K.; MIRTAHERI, S. L.; GRECO, S. Fraud detection in banking data by machine learning techniques. IEEE Access, v. 11, p. 3034–3043, 2023. Disponível em:https://ieeexplore.ieee.org/document/9999220. Acesso em: 08 jul. 2025.
JEMAI, J.; ZARRAD, A.; DAUD, A. Identifying fraudulent credit card transactions using ensemble learning. IEEE Access, v. 12, p. 54893–54900, 2024. Disponível em:https://ieeexplore.ieee.org/document/10477993. Acesso em: 08 jul. 2025.
KALID, S. N. et al. Detecting frauds and payment defaults on credit card data inherited with imbalanced class distribution and overlapping class problems: A systematic review. IEEE Access, v. 12, p. 23636–23652, 2024. Disponível em:https://ieeexplore.ieee.org/document/10423008. Acesso em: 08 jul. 2025.
LEBICHOT, B. et al. Transfer learning strategies for credit card fraud detection. IEEE Access, v. 9, p. 114754–114766, 2021. Disponível em:https://ieeexplore.ieee.org/document/9512084. Acesso em: 08 jul. 2025.
LUCAS, T. J. et al. A comprehensive survey on ensemble learning-based intrusion detection approaches in computer networks. IEEE Access, 2023. Disponível em:https://ieeexplore.ieee.org/document/10299619. Acesso em: 08 jul. 2025.
MIENYE, I. D.; SUN, Y. A deep learning ensemble with data resampling for credit card fraud detection. IEEE Access, v. 11, p. 30628–30638, 2023. Disponível em: https://ieeexplore.ieee.org/document/10081315. Acesso em: 08 jul. 2025.
SICA, N. Impressões digitais e sua relação com as pessoas e as empresas. Kaspersky Daily, 2022. Disponível em: https://www.kaspersky.com.br/blog/pesquisa-impressoes-digitais/18906/. Acesso em: 26 abr. 2025.
