Mejora del rendimiento de modelos de aprendizaje automático mediante el tratamiento del desequilibrio de clases

Abstract

El aprendizaje automático se ha consolidado como una herramienta fundamental para la detección de anomalías en ciberseguridad. Sin embargo, un problema frecuente en este ámbito es el desequilibrio de clases, donde los datos normales suelen superar ampliamente a los maliciosos. Esta desproporción limita el rendimiento de los modelos de aprendizaje, que tienden a favorecer la clase mayoritaria y a reducir la detección de instancias críticas como intrusiones o fraudes.

Entre las técnicas más empleadas para abordar este desafío se encuentra SMOTE (Synthetic Minority Over-sampling Technique), que genera instancias sintéticas de la clase minoritaria mediante interpolación. Sin embargo, su diseño original no tiene en cuenta la correlación entre variables, lo que puede dar lugar a ejemplos poco representativos.

En este trabajo se propone una variante de SMOTE que incorpora la relación entre atributos en el proceso de generación de datos sintéticos, con el fin de producir instancias más realistas y mejorar la capacidad de los modelos para reconocer comportamientos poco frecuentes.

La propuesta ha sido evaluada sobre diferentes conjuntos de datos desbalanceados mediante varios algoritmos de clasificación. Los resultados muestran mejoras consistentes en métricas clave como recall, F1-score y AUC respecto a SMOTE clásico y otros métodos de sobremuestreo, logrando un mejor equilibrio entre la detección de ataques y el control de falsos positivos.

En conclusión, la técnica desarrollada constituye una alternativa eficaz para tratar el desbalance de clases en escenarios complejos de ciberseguridad, favoreciendo la generalización y robustez de los modelos de aprendizaje automático.