Métodos de aprendizaje profundo para la detección de fraudes en transacciones digitales: Una revisión Sistemática

• Autor: Zeña Vasquez, Frank Gianpier
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17003
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17003
• Nivel de acceso: acceso abierto
• Materia: Detección de fraude; Aprendizaje profundo; Transacciones digitales; Desbalance de datos; Fraude financiero; https://purl.org/pe-repo/ocde/ford#2.02.04

El crecimiento exponencial del fraude en transacciones digitales demanda mecanismos de seguridad adaptativos y precisos. El objetivo de este estudio fue analizar y clasificar los métodos de aprendizaje profundo aplicados a la detección de fraudes mediante una revisión sistemática bajo la guía PRISMA 2020, examinando 40 estudios primarios publicados entre 2020 y 2025. Los resultados evidencian que las Redes Neuronales Profundas (DNN) permiten modelar relaciones no lineales complejas, aunque su eficacia se maximiza en arquitecturas híbridas. Específicamente, se destaca el rol de las Redes Recurrentes (LSTM) para capturar la secuencialidad temporal histórica y las Redes Convolucionales (CNN) para la extracción automática de características latentes, logrando métricas de precisión superiores al 90% al integrarse con algoritmos de ensamble. Asimismo, se identificó que las Redes Generativas Antagónicas (GANs) constituyen la solución técnica predominante para mitigar el desbalance de clases en los datos de entrenamiento. Se concluye que, pese a esta sofisticación algorítmica, existe una brecha de implementación significativa, ya que más del 90% de las propuestas permanecen como prototipos académicos validados en entornos controlados, requiriéndose futuras investigaciones enfocadas en la inteligencia artificial explicable y la validación operativa en tiempo real.