El Informe Nielsen señala que el fraude con tarjetas de crédito causó pérdidas comerciales de USD 28.65 mil millones a nivel mundial en 2019, con Estados Unidos representando más de un tercio de la alta participación, y que la identificación insuficiente de fraude con tarjetas de crédito ha provocado una seria pérdida de la capacidad de las instituciones financieras para hacer negocios. En entornos de datos de muestra pequeños, los métodos tradicionales de detección de fraude basados en modelos de red prototipo luchan con la pérdida de características de series temporales y el desafío de identificar la distribución de muestras no corregidas en el espacio métrico. En este documento, proponemos un método de detección de fraude con tarjetas de crédito llamado Red Prototipo Mejorada con Atención de Series Temporales (TABEP), que fortalece la dependencia de características temporales entre canales al incorporar un módulo de atención de series temporales para lograr la adquisición de características de fusión temporal del canal. Además, se introduce una pérdida de límite de vecino más cercano después del cálculo del modelo de red similar a un prototipo para ajustar la distribución general de características en el espacio métrico y para aclarar los límites de representación del modelo similar a un prototipo. Los resultados experimentales muestran que el modelo TABEP logra una mayor precisión en la detección de fraude con tarjetas de crédito en comparación con cinco métodos de red prototipo de referencia existentes, se ajusta mejor a la distribución general de datos y mejora significativamente el rendimiento de detección de fraude. Este estudio destaca la efectividad de los métodos de innovación abierta para abordar problemas complejos de seguridad financiera, lo cual es de gran importancia para promover el avance tecnológico en el campo de la seguridad de tarjetas de crédito.