Utilizando GANs para detecção de fraudes: treinamento de modelo com dados de transações sintéticas

A detecção de anomalias é um desafio crítico em vários domínios de pesquisa, visando identificar instâncias que se desviam das distribuições normais de dados. Este artigo explora a aplicação de Redes Adversariais Generativas (GANs) na detecção de fraudes, comparando suas vantagens com métodos tradicionais. As GANs, um tipo de Rede Neural Artificial (ANN), mostraram-se promissoras na modelagem de distribuições de dados complexas, tornando-se ferramentas eficazes para a detecção de anomalias. O artigo descreve sistematicamente os princípios das GANs e seus modelos derivados, enfatizando sua aplicação na detecção de fraudes em diferentes conjuntos de dados. E ao construir uma coleção de gráficos de verificação adversariais, iremos efetivamente prevenir fraudes causadas por bots ou sistemas automatizados e garantir que os usuários na transação sejam reais. O objetivo do experimento é projetar e implementar um código de verificação de rosto falso e um sistema de detecção de fraudes baseado no algoritmo de Redes Adversariais Generativas (GANs) para aumentar a segurança do processo de transação. O estudo demonstra o potencial das GANs em aprimorar a segurança das transações por meio de técnicas de aprendizado profundo.