Revisión sistemática del uso de arquitecturas de Deep Learning en la detección de fraudes financieros

• Autor: Quiroz Carrasco, Daniel
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/15402
• Enlace del recurso: https://hdl.handle.net/20.500.12802/15402
• Nivel de acceso: acceso abierto
• Materia: Deep Learning; Detección de fraude financiero; CNN; LSTM; GNN; https://purl.org/pe-repo/ocde/ford#2.02.04

Este estudio ofrece un examen detallado de cómo varios modelos de IA contribuyen a detectar actividades financieras fraudulentas. Para lograr esto, se revisaron 30 estudios recientes publicados entre 2020 y 2025, reunidos de fuentes científicas como IEEE Xplore, ScienceDirect, SpringerLink y Scopus. CNN, LSTM, GNN y MLP figuran entre las arquitecturas más empleadas, destacando por su desempeño frente a patrones anómalos en entornos financieros. Las formas más comunes de evaluar estos modelos son a través de medidas como la precisión, el recall, la puntuación F1 y el AUC. A pesar de los resultados notables en varios estudios, problemas como la obtención de datos reales, los criterios de evaluación variables y la naturaleza costosa de algunos diseños persisten. Los resultados sugieren que el aprendizaje profundo podría ser un enfoque prometedor para desarrollar sistemas de prevención de fraude mejores y adaptables