REGLAS DE ASOCIACIN APLICADAS A LA DETECCIN DE FRAUDE

CON TARJETAS DE CRDITOS

Mara-Amparo Vila Miranda Daniel Snchez Fernndez Luis Cerda Leiva
vila@decsai.ugr.es daniel@decsai.ugr.es lcerda@cientec.com



Resumen

Las reglas de asociacin han sido reconocidas
como los modelos mejor estudiados para
minera de datos. En este documento,
planteamos el uso de este modelo de extraccin
de conocimiento, para obtener patrones de
comportamiento fraudulento desde bases de
datos transaccionales de tarjetas de crdito, a
fin de detectar y prevenir el fraude.

Palabras Clave: Reglas de Asociacin, Minera
de datos, Fraude con tarjetas de crdito.

1. INTRODUCCION
Como se ha planteado en [29], la minera de datos cuyo
objetivo es la obtencin de conocimiento til desde datos
almacenados en grandes repositorios, es reconocida como
una necesidad bsica en muchas reas, especialmente
aquellas relacionadas con los negocios.
La teora de conjuntos difusos contribuye ciertamente a
este propsito. Es ampliamente reconocido que muchas
de las relaciones que se dan en el mundo real son
intrnsicamente difusas y las decisiones que se toman en
las reas comerciales habitualmente utilizan informacin
incompleta o imprecisa.
Uno de los modelos mejor estudiados para minera de
datos es el de reglas de asociacin [1], este modelo asume
que el objeto bsico de nuestro inters es un tem, y que el
dato aparece en la forma de conjunto de tem llamado
transaccin. Las reglas de asociacin son implicaciones
que relacionan la presencia de tem en las transacciones.
Las transacciones son la estructura bsica desde donde las
reglas de asociacin son obtenidas.

En nuestro caso las transacciones son compras que se
realizan utilizando como medio de pago tarjetas de crdito
emitida por la misma casa comercial que es afectada por
la transaccin fraudulenta.

2. LA SITUACION BAJO ESTUDIO
Los datos de la operacin diaria se encuentran dispersos
en distintos sistemas de tratamiento y representacin de
informacin en diversas plataformas de hardware y
software, lo cual no facilita la extraccin de
conocimientos.

La carencia de un efectivo sistema que permita detectar y
prevenir la actividad fraudulenta obedece
fundamentalmente a la falta de confianza que los
sistemas permitan en forma fehaciente detectar la
actividad fraudulenta, la relacin de transaccin
fraudulenta versus transacciones lcitas en el caso bajo
estudio es de 3 por cada mil, lo que se traduce en una alta
probabilidad de obtener falsos positivos lo que producira
un efecto contrario al deseado cual es contribuir a la
fidelizacin del cliente.

Se ha detectado como en otros mbitos donde se utilizan
como medios de pago las tarjetas de crdito, un rpido
incremento de la actividad fraudulenta, una anlisis
estadstico preliminar de los datos, permiti conocer que
existe un importante incremento de la actividad
fraudulenta que alcanza al 15% en el ltimo ao,
presentando una mayor incidencia las transacciones
generadas fuera del mbito de los puntos de ventas
propios de la empresa bajo estudio, es decir, aquellas
efectuadas en los locales de venta de sus socios
comerciales.

Lo anterior respalda la urgente necesidad de pasar de una
posicin reactiva o una pro-activa, la tasa de crecimiento
de la actividad fraudulenta conlleva a un rpido deterioro
de la relacin con los socios comerciales y clientes, como
tambin de un incremento de costos de operacin para
todos los involucrados, lo que significa, pasar a una
poltica real de deteccin y prevencin del fraude con un
sistema en lnea que resguarde los intereses de todos los
involucrados.

3. LOS SISTEMAS INTELIGENTES EN
LA DETECCIN DE FRAUDE

Segn Bhatla et al [2], mientras ninguna de las
herramientas y tecnologas revisadas en su estudio puede
por s misma eliminar el fraude, cada tcnica agrega valor
a la habilidad de detectar el fraude, y postula que una
buena prctica ha sido la combinacin de varias de ellas,
como por ejemplo la combinacin de procesos manuales
aplicados a transacciones calificadas como sospechosas
XII CONGRESO ESPAOL SOBRE TECNOLOGAS Y LGICA FUZZY 491
de fraude por herramientas inteligentes, por ejemplo
revisar el uso mltiple de una tarjeta en diferentes sitios
fsicos o virtuales durante un corto perodo de tiempo, en
su estudio Bhatla incluye un conjunto de tcnicas
implementadas por los software de deteccin de fraude,
de todas ellas nosotros hemos decidido utilizar las reglas
de asociacin.

4. REGLAS DE ASOCIACIN
Reglas de Asociacin: se trata de buscar las posibles
relaciones existentes entre la presencia o no de tem en
determinados conjunto de transacciones, por ejemplo se
utilizan para identificar asociaciones entre la presencia o
ausencia de artculos en transacciones comerciales, un
ejemplo tpico de regla de asociacin es: el 90% de la
gente que compra pan, compra leche, en lenguaje natural
se puede expresar como: la mayora de la gente que
compra pan compra leche, pudindose expresar
mediante la notacin pan leche, en esta notacin la
parte izquierda se denomina antecedente y la parte
derecha consecuente.
En problemas del mundo real no es fcil hallar
implicaciones como las del ejemplo tpico expuesto en el
prrafo anterior, que cumplan con total certeza en un
conjunto de transacciones y que ocurran un nmero de
veces que las hagan interesante de considerar, con este
propsito Agrawal et al, 1993, proponen las medidas de
confianza y soporte, mientras que Silverstein, et al, 1998
proponen como medidas alternativa a la confianza el
inters.
La definicin de Agrawal de una Regla de asociacin es
una implicacin de la forma X Y, donde X,Y I y
XY = 0, entendiendo con ello que toda transaccin que
satisface a X tambin satisface a Y.
El problema de extraer reglas de asociacin se puede
dividir en dos subproblemas:

1. Generar todas las combinaciones de tems, entendiendo
stas como temsets, con un soporte por encima de cierto
umbral, previamente definido, el llamado soporte mnimo
(minsupp). Esas combinaciones suelen encontrarse en la
literatura con el nombre de temsets frecuentes.

2 Dado un temset frecuente Y = i1; i2; : : : ik; k 2,
generar todas las reglas que contengan todos los tems de
ese temset. Para ello, se toman todos los subconjuntos no
vacos X de Y y se generan las reglas X Y X que
cumplan que su confianza es mayor que cierto umbral al
llamado confianza mnima (minconf ). El valor de la
confianza viene dado por soporte(Y) / soporte (X).

Como Y es frecuente, cualquier subconjunto suyo
tambin ser frecuente ([Agrawal et al., 1993]), as se
tendr almacenado su soporte. Las reglas que se deriven
de Y satisfarn la restriccin del soporte, pues Y as lo
hace.

Mejoras al problema de la extraccin de Reglas de
Asociacin

El principal inconveniente que presenta la extraccin con
reglas de asociacin estriba en que, en bases de datos lo
suficientemente voluminosas, los costes tanto en tiempo
como en espacio pueden resultar inviables. Por un lado,
para lograr nuestro objetivo hemos de trabajar con todos
los temsets posibles. Si tenemos m tems, esto quiere
decir que habremos de considerar 2
m
posibles temsets.
Afortunadamente, los algoritmos existentes, aplican
tcnicas heursticas para reducir en la medida de lo
posible el nmero de temsets que se considerarn, de
acuerdo a la estimacin de si podrn o no ser frecuentes.

An contando con esa capacidad de los algoritmos para
disminuir los requerimientos en tiempo de proceso y en
espacio de memoria, mejorando en definitiva la eficiencia
del procedimiento, todava se puede encontrar con otros
problemas, sta vez asociados a la aplicacin que les
pueda dar el usuario final. El conocimiento obtenido es
muy dependiente del contexto al que pertenece la
informacin contenida en la base de datos original. Por
este motivo, suele ser conveniente y necesaria la
intervencin de un experto humano que pueda dar una
interpretacin de las reglas obtenidas, indicando cules de
ellas son potencialmente tiles y cules no, debido por
ejemplo a su trivialidad.
Pero la labor del experto humano puede verse entorpecida
si el conjunto de reglas obtenido es demasiado amplio. Es
por eso que, de cara a optimizar la obtencin y posterior
interpretacin de reglas de asociacin dentro de una base
de datos se pueden establecer ciertas restricciones:

Restricciones sintcticas. Estas restricciones limitan los
tems que pueden aparecer en una regla. Por ejemplo,
podemos estar interesados slo en las reglas que tengan
un tem especfico en el consecuente o en el antecedente,
o en una combinacin de restricciones.

Restricciones de soporte. Podemos estar interesados slo
en las reglas cuyos tems aparezcan en un porcentaje de
las tuplas de T por encima de un soporte mnimo. Esto
quiere decir que para que la informacin que nos da la
regla tenga cierto peso es necesario que aparezca con
cierta frecuencia en la base de datos.

Restricciones de cumplimiento. La confianza nos da una
medida de la fuerza de una regla. Nos informa sobre la
dependencia entre la aparicin del consecuente si aparece
el antecedente. En general, interesa que la confianza
supere un mnimo.
492 XII CONGRESO ESPAOL SOBRE TECNOLOGAS Y LGICA FUZZY

5. EXTENSIONES DE LAS REGLAS DE
ASOCIACIN
Reglas de Asociacin Generalizadas

Reglas de Asociacin Generalizadas: es otro tipo de
reglas de asociacin que permiten evitar perder
informacin relevante cuando se ha construido una
taxonoma (conjunto de jerarquas del tipo es-un) que
impide conocer cuanto es el soporte conjunto de una
familia de tems, por ejemplo que esos tems se
encuentren registrados en la base de datos por sus marcas
las cuales individualmente no cumplen el umbral mnimo
establecido, pero en conjunto si lo hacen.

Reglas de Asociacin Cuantitativas: cuando los
atributos del tipo numrico como por ejemplo la estatura,
edad, el sueldo, o categricos como color, artculo, tienen
pocos valores (sus correspondientes dominios son finitos
y reducidos), estamos ante un problema similar al
planteado en el apartado anterior porque la
transformacin es directa y poco problemtica, pero
cuando son muy numeroso o cuando estos atributos son
de tipo numrico continuo (real, racional), no es posible
especificar en forma sencilla jerarquas para disminuir el
nivel de granuralidad, en este caso se habla de trabajar
con atributos de tipo cuantitativo y a las reglas de
asociacin que involucran tem sobre estos atributos se las
denomina reglas de asociacin cuantitativa, los problemas
de obtener reglas de asociacin cuantitativas se
denominan QARP: Quantitative Association Rules
Problem.

La solucin que se ha dado a este problema segn Srikant
y Agrawal[26], es particionar el dominio en intervalos,
sin embargo existen dos problemas a la hora de obtener
reglas cuantitativas mediante estos procedimientos:

Problema de mnimo soporte (Minsupp): si el nmero
de intervalos en el que se particiona el dominio de un
atributo cuantitativo es grande, el soporte para cada
intervalo en solitario puede ser muy bajo. Si no se utilizan
intervalos mayores, es posible que no se encuentren reglas
que involucren a este atributo por no alcanzar el soporte
mnimo necesario.

Problema de mnima confianza (Minconf): Existe cierta
prdida de informacin cuando dividimos los dominios en
intervalos. Algunas reglas pueden tener confianza mnima
slo cuando un tem del antecedente consiste en un slo
valor o en un intervalo pequeo. Esta prdida de
informacin se incrementa conforme crece el tamao de
los intervalos.

Estos dos problemas interactan, si disminuye el tamao
del intervalo se podra resolver el problema de la mnima
confianza, pero agravar el problema del mnimo soporte,
en el texto de Snchez[24], se explica que la solucin
propuesta por Srikant y Agrawal, consiste en dividir los
dominios numricos en intervalos del mismo tamao,
usando un tamao pequeo, y considerar distintos rangos
sobre el dominio mediante el agrupamiento de intervalos
en intervalos de nivel superior, estos autores demuestran
que esta particin minimiza la cantidad de informacin
que se pierde. Este procedimiento introduce dos nuevos
problemas:

Aumento del tiempo de ejecucin (ExecTime): Si un
atributo cuantitativo tiene n valores (o intervalos), hay
una media de O(n ) rangos que contienen un valor o
intervalo especfico. Por tanto, el nmero de tems por
tupla se dispara, lo que tambin har mucho mayor el
tiempo de ejecucin.
2

Aumento del nmero de reglas (ManyRules): Si un
valor (o intervalo) de atributos cuantitativos tiene soporte
mnimo, tambin lo tendr cualquier rango en el que est.
As, el nmero de reglas tambin se dispara. Muchas de
estas reglas no sern interesantes y en consecuencia,
constituirn un gasto innecesario de tiempo y memoria.

La solucin que propone Snchez para el problema del
tiempo de ejecucin consiste en introducir un umbral
mximo de soporte mismas.


6. PROBLEMTICA QUE PRESENTA LA
EXTRACCIN DE CONOCIMIENTO

6.1 PRIMER PROBLEMA QUE PRESENTA LA
EXTRACCIN DE CONOCIMIENTO.
Las medidas de soporte y confianza evalan el inters y el
grado de cumplimiento de las reglas de asociacin con un
enfoque meramente estadstico, si bien es cierto, el uso
del soporte es bastante generalizado y se acepta como la
mejor opcin para medir la importancia ya que segn
[25], rene las siguientes ventajas:
Es adecuado para la tarea de medir la relevancia
estadstica de una regla.
Es una medida con significado intuitivo, y por
tanto la interpretacin de los valores de soporte
es relativamente sencilla para el usuario.
El uso del soporte contribuye al diseo de
algoritmos eficientes para la bsqueda de reglas
de asociacin.

No ocurre lo mismo con la confianza, como medida del
grado de asociacin, implicacin o dependencia entre
antecedente y consecuente, ya que ha recibido diversas
XII CONGRESO ESPAOL SOBRE TECNOLOGAS Y LGICA FUZZY 493
crticas. Los argumentos en contra de esta medida son los
siguientes:
La confianza no mide adecuadamente el grado
de independencia estadstica entre el antecedente
y el consecuente.
La confianza no refleja la dependencia negativa
entre antecedente y consecuente.
Por ltimo, la confianza es una medida de
probabilidad confeccionada. La probabilidad
condicionada no es intuitiva, y por esta razn
resulta difcil para un usuario no experto
establecer umbrales mnimos de confianza
semnticamente significativos a la hora de
obtener reglas de asociacin.
Para intentar resolver el problema, Snchez ha propuesto
el uso del Factor de certeza
Factor de Certeza: es una representacin de la
incertidumbre asociada al conocimiento, su principal
objetivo es proporcionar unas medidas de incertidumbre
ms intuitivas que las medidas de probabilidad
condicionada y sin algunos problemas de la teora de la
probabilidad, la certeza de un hecho en el intervalo
discreto [-1,1], donde la certeza de hecho (H) ser 1 si H
es un hecho cierto; H ser -1 si es un hecho falso y H ser
0, si se desconoce el grado de verdad de H.

6.2. SEGUNDO PROBLEMA QUE PRESENTA LA
EXTRACCIN DE CONOCIMIENTO.
Tal como se plantea en 6.1, el primer problema a resolver
en la extraccin conocimiento, es la cantidad y calidad de
las reglas de asociacin en bases de datos relacionales que
surgen al aplicar los modelos existentes a repositorios con
presencia de atributos con dominios de un alto nivel de
granularidad.
El segundo problema, que Snchez plantea en [24], es
que la semntica de las reglas en s y los parmetros que
permiten al usuario interactuar con el proceso de
extraccin, sabiendo que el ser humano trabaja con
descripciones del conocimiento con un menor nivel de
granularidad, genera una dificultad de asignar un
concepto claro al usuario, esto aumenta cuando se usa
como criterio obtener reglas con el mayor soporte y
confianza posible, aumentando adems la complejidad del
mecanismo de extraccin.
En sntesis, por una parte, la alta fragmentacin de las
bases de datos, es decir, la presencia de atributos con alto
nivel de granularidad, representa una incompatibilidad
con la forma habitual del razonamiento humano y por otra
parte, y tal como se plante anteriormente en 5, al revisar
el concepto de Reglas de Asociacin Cuantitativas, al
intentar resolver este problema de incompatibilidad entre
el alto nivel de granularidad y nuestra forma de razonar,
genera otros problemas como el del mnimo soporte
(minsupp), minima confianza (minconf), tiempo de
ejecucin (ExecTime) y aumento del nmero de reglas
(ManyRules), para resolver esta problemtica de una
forma eficiente e intuitiva se sugiere el uso de las Reglas
de Asociacin difusa.

7. PLANTEAMIENTO DE LA SOLUCION
7.1. SOLUCIN PLANTEADA A LA EXTRACCION
DE CONOCIMIENTO.

Para Delgado et al [10], las reglas de asociacin difusa
son uno de los mejores modelos estudiados para la
obtencin de conocimiento en el campo de la minera de
datos. Durante los ltimos aos, el modelo de encontrar
reglas de asociacin entre valores de atributos
cuantitativos en bases de datos relacionales fue
introducido en el campo de la minera de datos por
Agramal, Imielnsky y Swami [1].
Como conclusiones de la investigacin de Snchez en
[24], se plantea que para resolver las problemticas que
presenta la extraccin de conocimiento se debera hacer lo
siguiente:
Usar un nuevo mtodo para definir en
conjunto con el experto las etiquetas
lingsticas, obteniendo como resultado una
reduccin de la granularidad de los dominios
de los atributos.
Utilizar para la generacin de reglas de
asociacin el nuevo concepto de asociacin
difusa usando en este proceso el soporte y
los factores de certeza en lugar de la
confianza.
El uso de factores de certeza que sustituye a
la confianza, evita los problemas que
representa la confianza sin aumentar la
complejidad del proceso de extraccin.
Aplicar el nuevo concepto de regla de
asociacin muy fuerte, evitando que las
reglas de asociacin no reflejen la realidad,
resultado que se obtiene al tener en cuenta
no solamente el soporte de la asociacin
entre la presencia del antecedente y el
consecuente, sino tambin considerando el
soporte de la asociacin entre la ausencia del
consecuente y la ausencia del antecedente.
Haciendo uso de la metodologa recomendada por
Snchez, se elimina la gran cantidad de reglas falsas,
obteniendo reglas de mayor calidad, basadas en casos
positivos y negativos, que permitan discriminar si la
asociacin es correcta o no, y el uso de etiquetas
494 XII CONGRESO ESPAOL SOBRE TECNOLOGAS Y LGICA FUZZY
lingsticas que ayuden a reducir la segmentacin del
dominio conduce a otorgar reglas ms intuitivas por su
proximidad a la forma de razonar del experto humano.

7.2. EL TRABAJO A DESARROLLAR.

Habiendo recopilado la informacin relacionada con las
tcnicas de lgica difusa y conocida una de las
problemticas ms contingentes en el mbito de la toma
de decisiones comerciales, el trabajo futuro estar
orientado a la construccin de un sistema en lnea que
procese la informacin procedente de una transaccin en
ejecucin, realice una estimacin de sus atributos
caractersticos y evale el potencial riesgo de fraude, para
ello se aplicar tcnicas de lgica difusa para generar
reglas de asociacin obtenidas a partir del conocimiento
extrado de las bases de datos fuzzificadas con etiquetas
lingsticas modelados usando los criterios planteados por
Snchez en [24]. Las reglas de asociacin se generaran
usando los conceptos de reglas de asociacin muy fuertes
y la nueva definicin de dependencia aproximada de
Snchez

7.2.2. Sntesis los objetivos de la propuesta de trabajo
futuro son:

Modelar un sistema inteligente que permita
discriminar entre las transacciones genuinas y
transacciones fraudulentas [23], utilizando
reglas de asociacin muy fuerte.

Implementar un sistema en lnea utilizando el
modelo anterior que al detectar transacciones con
caractersticas fraudulentas notifique a los
analistas de riesgo con antecedentes
suficientemente intuitivos que reduzcan al
mnimo la incertidumbre en la toma de decisin.

Implementar y mantener una base de datos
relacional difusa que almacene las transacciones
histricas y mantenga vigente el conocimiento
adquirido mediante un proceso de extraccin de
conocimiento de las nuevas conductas
fraudulentas.

7.2.3. Beneficios de la Solucin propuesta

Este proyecto utilizar las bondades que la lgica difusa
provee para enfrentar la problemtica de la deteccin y
prevencin de actividad fraudulenta, lo que permitir
visualizar entre otros los siguientes beneficios:

Resultados Intuitivos: Hacer ms intuitivo al analista de
riesgo los resultados entregados por el sistema, esto es un
resultado inmediato de la incorporacin de cuantificados
lingsticos, los cuales permiten que la extraccin de
conocimiento se realice en trminos ms prximos a la
forma en que el ser humano resuelve sus problemas.

Extraccin de conocimiento til: la extraccin de
conocimientos en los trminos explicados anteriormente,
permite generar un conjunto de reglas de asociacin para
contribuir a detectar sobre la marcha la actividad
fraudulenta con resultados fcilmente entendibles por los
analistas de riesgo.

Labor Pro activa: la fuzzificacin de las bases de datos
operacionales, permitir contar con los datos necesarios
para detectar nuevos comportamientos fraudulentos y
actualizar el proceso de verificacin en lnea con la
marcha la actividad fraudelenta.

Solucin Integral: generar una solucin tecnolgica que
permita tanto a la empresa bajo estudio como a sus socios
comerciales detectar y prevenir la actividad fraudulenta.

8. CONCLUSIONES
Algunas de las conclusiones producto de este trabajo son
las siguientes:

1. Las principales necesidades de obtencin de
conocimiento, tienen relacin con las nuevas exigencias
que plantea el nuevo escenario competitivo, el cual
demanda conocimientos prcticamente en lnea del
comportamiento de sus clientes, productos, proveedores,
vendedores y socios comerciales.

2. Los motivos que han impedido obtener buenos
resultados haciendo uso de las herramientas inteligentes
tienen su origen en lo heterogneo de los sistemas de
tratamiento y representacin de la informacin junto con
las imperfecciones que los datos presentan producto del
modelo tradicional que sustenta estos sistemas, todo ello
constituye las principales dificultades que han impedido
obtener buenos resultados.

3. Es importante y urgente resolver estas necesidades e
impedimentos haciendo uso de tcnicas de inteligencia
artificial, ejemplo de ello es la necesidad de prevencin y
deteccin de fraude, derivada del impacto que el
incremento de la actividad fraudulenta puede llegar a
tener en la relacin con los clientes y los socios
comerciales.

Finalmente, el fuerte incremento de la complejidad de la
gestin comercial producto de la globalizacin, requiere
proveer de herramientas inteligentes que resuelvan en
forma ms integral la problemtica de la extraccin de
conocimientos desde las bases de datos operacionales
para apoyar la toma de decisiones, para ello se deben
proveer interfases intuitivas y eficientes como las que el
trabajo futuro pretende entregar, y de acuerdo al resultado
XII CONGRESO ESPAOL SOBRE TECNOLOGAS Y LGICA FUZZY 495
de esta investigacin preliminar, la lgica difusa se
presenta como una alternativa vlida y vigente para tal
propsito, sobre todo que la metodologa propuesta busca
simplificar los resultados, reduciendo la cantidad de
asociaciones, descartando mediante algoritmos aquellas
poco relevantes y haciendo ms intuitivos los resultados a
travs del uso de etiquetas lingsticas mas naturales al
experto humano, por todo lo anterior, se concluye que es
factible otorgar una solucin ms integral, pro-activa, en
lnea, para resolver una necesidad de conocimiento para la
toma de decisiones comerciales como es el caso de la
prevencin y deteccin del fraude, mediante la extraccin
de conocimientos utilizando tcnicas de lgica difusa
aplicadas a las bases de datos operacionales.

Agradecimientos

Agradecemos la oportunidad de dar a conocer el resultado
de nuestra investigacin preliminar que plantea una
alternativa de solucin para resolver mediante la lgica
difusa una problemtica de urgente solucin en los
mbitos comerciales.

Referencias

[1] Agrawal R., Mielinski T., and A.Swami:
Mining association rules between set of items in
large databases, In Proc. Of the 1993 ACM
SIGMOD Conference, pages 207-216, 1993.
[2] Bhatla Tej Paul, Prabhu Vikram, Dua
Amit:Understanding Credit Card Frauds, 2003.
[3] Bolton, Richard J.; Hand, David J.
:Unsupervised Profiling Methods for fraud
detection.
[4] Brause,R; Langsdorf,T; Hepp,M.:Neural Data
Mining for Credit Card Detection.
[5] Cahill, Michel H; Lambert, Diane; Pincheiro,
Jose; Sun, Don:Detecting fraud in the real
world.
[6] Castillo, Enrique; Gutierrez, Jos Manuel; Hadi,
Ali S.:Sistemas Expertos y Modelos de Redes
Probabilsticos, 2003.
[7] Cybersource, 5th Annual on line fraud report,
2003.
[8] Chan, Philip K.:Toward Scalable Leaning with
Non-Uniform class an d cost Distribution: A Case
Study in Credit Card Fraud Detection.
[9] Delgado Miguel, Snchez Daniel, Vila Mara
Amparo, Marn Nicols : Fuzzy Association
Rules: General Model and Aplication, 2003.
[10] Delgado Miguel, Snchez Daniel, Vila Mara
Amparo: Acquisition of Fuzzy Association
Rules from Medical Data, 2002.
[11] Delgado Miguel, Snchez Daniel, Vila Mara
Amparo:Fuzzy Quantified Dependencies in
Relational Databases, 1999.
[12] Delgado Miguel, Snchez Daniel, Vila Mara
Amparo: A logic based definition of fuzzy
cardinality, 1999.
[13] Delgado Miguel, Snchez Daniel, Vila Mara
Amparo: Fuzzy cardinality based evaluation of
quantified sentences, 1999.
[14] Delgado Miguel, Snchez Daniel, Vila Mara
Amparo: Un enfoque lgico para calcular el
grado de cumplimiento de sentencias con
cuantificadores lingsticos, 1997.
[15] Delgado Miguel, Snchez Daniel, Vila Mara
Amparo: Un mtodo para la evaluacin de
sentencias con cuantificadores lingsticos, 1998.
[16] Faughnan, John G.: International Net-Baset
Credit Card/Check Card Fraud with Small
Charges.
[17] Frenkel, Brian:Using Artificial Intelligence to
Detect Fraud In Credit Cards,
[18] Fu Y. and Han. J. Meta-rule-guide of asociation
rules in relational database. In Prec. First Int.
Workshop Integration of KKD with deductive
and Object-Oriented databases (KD00D95).
[19] Galindo, Jos: Tratamiento de imprecisin en
Bases de Datos Relacionales , 1999.
[20] Goebel,Michael; Gruenwald, Le:A Survey of
datamining and knowledge software tools.
[21] Klebe Steven W.: Evaluating on line credit fraud
fraud witch artificial intelligence, 1998.
[22] Prodromidis, Andreas L.; Stolfo,
Salvatore:Agent-Based Distributed Learning
Applied to Fraud Detectin, 1999.
[23] Sam, Maes; Tuys, Kart; Vanschoenwinkel,Bram;
Manderick, Bernad:Credit Card Detection Using
Bayesian and Neural Networks.
[24] Snchez Fernandez Daniel: Adquisicin de
relaciones entre atributos en base de datos
relacionales, 1999.
(http://decsai.ugr.es/~daniel/).
[25] Serrano Jos Mara, Knowledge Fusion in
Relational Databases: Aggregation and
Summarization Measures, 2003.
[26] Srikant R. and Agrawal. R. Mining quantitative
association rules in large relational tables. In
Proc. 1996 ACM SIGMOD Intl. Conf.
Management Data, Pages 1-12, 1996.
[27] Stolfo, Salvatore; Fan, David W.; Lee, Wenke;
Prodromidis, y Andreas L. Credit Card
Detection Using Meta-Learning Issues and Initial
Results.
[28] Trillas, Enric, et al, Fundamentos e Introduccin
a la Ingeniera FUZZY, Omrom, 1994.
[29] Vila, Amparo: Modelos de datos avanzados:
Bases de Datos orientadas a objetos, 2002.
[30] Zadeh L.: Fuzzy Sets. Information and Control. 8,
338-353., 1965

496 XII CONGRESO ESPAOL SOBRE TECNOLOGAS Y LGICA FUZZY