En el campo de la detección de fraudes con tarjetas de crédito, los métodos tradicionales a menudo tienen dificultades debido a su dependencia de la ingeniería de características manual compleja o su incapacidad para adaptarse a patrones de fraude que cambian rápidamente. Este documento presenta un enfoque innovador llamado FinGraphFL, que fusiona el aprendizaje basado en gráficos con los principios del aprendizaje federado y mejora la seguridad a través de la privacidad diferencial. FinGraphFL utiliza Redes de Atención de Gráficos para analizar las relaciones dinámicas entre registros diarios de transacciones con tarjetas de crédito, mejorando su capacidad para detectar actividades fraudulentas. Con la adición de la privacidad diferencial, el modelo permite que múltiples instituciones financieras colaboren para refinar el modelo de detección sin compartir datos sensibles, mejorando así la adaptabilidad y precisión. Los resultados se prueban en dos conjuntos de datos públicos que muestran que FinGraphFL logra tasas de precisión de y , superando significativamente a los métodos tradicionales. Basándose en estos resultados, FinGraphFL sienta las bases para futuros avances en el aprendizaje en tiempo real y la colaboración financiera global, asegurando un progreso simultáneo en la seguridad y las protecciones de privacidad.