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