Detecção de contas bancárias fraudulentas com redes neurais de grafo.

Abstract

A detecção de fraudes em contas bancárias representa um desafio crescente, demandando abordagens que transcendam a análise de transações isoladas. Modelos tradicionais, embora eficazes até certo ponto, falham em capturar a complexa rede de interações entre contas, onde padrões fraudulentos sofisticados se manifestam. Este trabalho propõe a utilização de Redes Neurais de Grafos (GNNs) para aprimorar a identificação de contas fraudulentas, modelando a estrutura relacional e a dinâmica das transações financeiras. O objetivo principal é investigar a eficácia das GNNs em comparação com métodos de classificação convencionais, como árvores de decisão e Redes Neurais Convolucionais (CNNs), que não consideram a topologia das interações. Para isso, uma base de dados tabular foi convertida em uma representação de grafo, permitindo que o modelo explore as conexões entre as entidades. Os resultados indicam que a estrutura do grafo e os atributos influenciam o desempenho, com o modelo GraphSAGE se destacando. Embora os modelos de grafos ainda não tenham superado os métodos tabulares tradicionais, eles se mostraram promissores, principalmente quando o problema foi focado em uma classificação binária. A incorporação da estrutura relacional dos dados resultou em um desempenho que, com refinamentos futuros na modelagem e nos hiperparâmetros, tem o potencial de superar as abordagens convencionais, contribuindo para o desenvolvimento de sistemas de segurança financeira mais robustos e proativos.