Algoritmos de agrupamento aplicados à detecção de fraudes
Resumo
Em um contexto tecnológico, em que dados são gerados de maneira exponencial, as análises financeiras tem se tornado gradativamente mais importantes para evitar grandes perdas devido às fraudes. Neste trabalho, busca-se a segmentação das transações em grupos, por meio de técnicas de agrupamento, com base na existência de padrões distintos entre transações financeiras legítimas e ilegais. Para isto, algoritmos foram testados e comparados em relação ao desempenho, validação do agrupamento, interpretação e compreensão, sendo os três últimos critérios utilizados para a formulação de hipóteses. Como resultado espera-se uma redução do espaço de busca para que possíveis fraudes possam ser investigadas.
Palavras-chave:
Aprendizado de Máquina, Ciência de Dados, Computação de Alto Desempenho
Referências
Efron, B. (1981). Nonparametric standard errors and confidence intervals. Canadian Journal of Statistics, 9(2):139-158.
Ismaili, O. A., Lemaire, V., and Cornuéjols, A. (2014). A supervised methodology to measure the variables contribution to a clustering. In International Conference on Neural Information Processing, pages 159-166. Springer.
Kodinariya, T. M. and Makwana, P. R. (2013). Review on determining number of cluster in k-means clustering. International Journal, 1(6):90-95.
Leite, R. A., Gschwandtner, T., Miksch, S., Kriglstein, S., Pohl, M., Gstrein, E., and Kuntner, J. (2017). Eva: Visual analytics to identify fraudulent events. IEEE transactions on visualization and computer graphics, 24(1):330-339.
Letizio, K. J. (2021). Combating Financial Fraud: A Machine Learning Approach. PhD thesis, Utica College.
Nunes, B., Colliri, T., Lauretto, M., Liu, W., and Zhao, L. (2021). Anomaly detection in brazilian federal government purchase cards through unsupervised learning techniques. In Brazilian Conference on Intelligent Systems, pages 19-32. Springer.
Wang, D., Cui, P., and Zhu, W. (2016). Structural deep network embedding. In Proceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining, pages 1225-1234.
Zaki, M. J., Meira Jr, W., and Meira, W. (2014). Data mining and analysis: fundamental concepts and algorithms. Cambridge University Press.
Zhou, J., Wei, J., and Xu, B. (2021). Customer segmentation by web content mining. Journal of Retailing and Consumer Services, 61:102588.
Ismaili, O. A., Lemaire, V., and Cornuéjols, A. (2014). A supervised methodology to measure the variables contribution to a clustering. In International Conference on Neural Information Processing, pages 159-166. Springer.
Kodinariya, T. M. and Makwana, P. R. (2013). Review on determining number of cluster in k-means clustering. International Journal, 1(6):90-95.
Leite, R. A., Gschwandtner, T., Miksch, S., Kriglstein, S., Pohl, M., Gstrein, E., and Kuntner, J. (2017). Eva: Visual analytics to identify fraudulent events. IEEE transactions on visualization and computer graphics, 24(1):330-339.
Letizio, K. J. (2021). Combating Financial Fraud: A Machine Learning Approach. PhD thesis, Utica College.
Nunes, B., Colliri, T., Lauretto, M., Liu, W., and Zhao, L. (2021). Anomaly detection in brazilian federal government purchase cards through unsupervised learning techniques. In Brazilian Conference on Intelligent Systems, pages 19-32. Springer.
Wang, D., Cui, P., and Zhu, W. (2016). Structural deep network embedding. In Proceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining, pages 1225-1234.
Zaki, M. J., Meira Jr, W., and Meira, W. (2014). Data mining and analysis: fundamental concepts and algorithms. Cambridge University Press.
Zhou, J., Wei, J., and Xu, B. (2021). Customer segmentation by web content mining. Journal of Retailing and Consumer Services, 61:102588.
Publicado
07/04/2022
Como Citar
FURLANETTO, Gabriel Covello; CARVALHO, Veronica Oliveira de; BALDASSIN, Alexandro; MANACERO, Aleardo.
Algoritmos de agrupamento aplicados à detecção de fraudes. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DE SÃO PAULO (ERAD-SP), 13. , 2022, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 29-32.
DOI: https://doi.org/10.5753/eradsp.2022.222234.
