Resumen: Los entornos bancarios de alta frecuencia se enfrentan a un equilibrio crítico entre la detección de fraude de baja latencia y la explicabilidad regulatoria que exige el RGPD. Los modelos tradicionales basados en reglas y discriminatorios luchan contra ataques de “día cero” debido al desequilibrio de clases extremo y la falta de precedentes históricos. Este artículo propone un marco generativo de ruta dual que desacopla la detección de anomalías en tiempo real del entrenamiento adversario fuera de línea. La arquitectura emplea un codificador automático variacional (VAE) para establecer una variedad de transacciones legítima basada en el error de reconstrucción, lo que garantiza una latencia de inferencia <50 ms. Paralelamente, una GAN asincrónica de Wasserstein con penalización de gradiente (WGAN-GP) sintetiza escenarios fraudulentos de alta entropía para poner a prueba los límites de detección. Fundamentalmente, para abordar la no diferenciabilidad de los datos bancarios discretos (por ejemplo, códigos de categoría de comerciante), integramos un estimador Gumbel-Softmax. Además, introducimos un mecanismo de explicabilidad basado en activadores donde SHAP (Shapley Additive Explanations) se activa solo para transacciones de alta incertidumbre, conciliando el costo computacional de XAI con los requisitos de rendimiento en tiempo real.
Publicado originalmente en export.arxiv.org el 16 de marzo de 2026.
Ver fuente original
