Un marco de aprendizaje ensamblado federado para la detección de fraudes distribuida

Con la rápida evolución de los sistemas de pago digital y los servicios financieros, el número de transacciones fraudulentas está aumentando y los riesgos se están volviendo cada vez más críticos. Aunque se han propuesto varios enfoques para la detección de fraudes, siguen estando obstaculizados por ciertas limitaciones, incluidas las restricciones de confidencialidad en el intercambio de datos entre instituciones y el desequilibrio de clases en los conjuntos de datos de fraude. Para abordar estos desafíos, proponemos un nuevo marco de detección de fraude híbrido que integra el aprendizaje federado con el aprendizaje por ensamblado, permitiendo un entrenamiento colaborativo y eficiente de modelos a través de instituciones financieras distribuidas sin compartir datos en bruto. El marco aprovecha modelos de aprendizaje automático heterogéneos (XGBoost, CatBoost y MLP) entrenados de manera distribuida en una arquitectura federada, coordinados por un servidor de agregación central. Los tres modelos federados se combinan utilizando un método de aprendizaje por ensamblado para mejorar el rendimiento predictivo y generar decisiones más precisas. Esta solución puede ayudar a detectar eficazmente el fraude en entornos distribuidos mientras se reduce la necesidad de intercambio directo de datos. Los resultados experimentales demuestran que el marco federado propuesto ofrece un rendimiento competitivo en términos de recall, F1-score y AUC-PR similar a, o incluso superior, a los modelos centralizados en ciertas configuraciones federadas.