Revisión sistemática de literatura de redes neuronales para la detección de fraudes en transacciones financieras

Abstract

Actualmente las transacciones financieras juegan un papel fundamental en nuestro día a día. Este artículo presenta una revisión sistemática de literatura (SLR) sobre el uso de redes neuronales para detectar, predecir y prevenir fraudes en transacciones financieras. La primera parte de esta investigación se enfoca en la recopilación de datos, la cual se realizó siguiendo la metodología PRISMA. Se recopiló un conjunto de datos basados en estudios e investigaciones con el objetivo de obtener resultados que puedan proporcionar una visión clara sobre el uso de redes neuronales para la detección de fraudes en transacciones financieras. Durante el proceso de investigación se demuestra que las Redes Neuronales Generativas (GAN) y las Redes Neuronales Artificiales (ANN) son las más utilizadas a la hora de detectar y predecir fraudes en transacciones financieras, Además, se evidencia que las redes neuronales más eficientes para la detección de fraude en transacciones financieras son las Redes Neuronales Recurrentes alcanzando una precisión de 98.71% y las redes neuronales generativas (GAN) con una precisión de 97.1%. Estos resultados indican claramente que las redes neuronales son altamente eficientes para detectar y predecir fraude en transacciones financieras. En este estudio se demuestra el progreso significativo que han tenido las redes neuronales, mejorando de manera notable la precisión en la detección de fraudes financiero. Estos avances han permitido reducir el riesgo de fraude y ofrecer soluciones más eficientes en el ámbito financiero. Los resultados obtenidos de esta investigación proporcionan una guía valiosa para investigadores y profesionales en el campo de la ciberseguridad.