La detección de fraudes con tarjetas de crédito es un problema crítico para las instituciones financieras debido a las importantes pérdidas financieras y la erosión de la confianza del cliente. El fraude no solo afecta a los resultados financieros, sino que también socava la confianza que los clientes depositan en los servicios financieros, lo que conlleva daños reputacionales a largo plazo. Los métodos tradicionales de aprendizaje automático luchan por mejorar la precisión de detección con datos limitados, adaptarse a nuevas técnicas de fraude y detectar patrones de fraude complejos. Para abordar estos desafíos, presentamos FGAT-DCNN, un modelo que integra una Red de Atención de Grafos (GAT) y convoluciones dilatadas dentro de un marco de aprendizaje federado. FGAT-DCNN emplea el aprendizaje federado, lo que permite a las instituciones financieras entrenar modelos de manera colaborativa utilizando conjuntos de datos locales, mejorando la precisión y la robustez mientras se mantiene la privacidad de los datos. La incorporación de un GAT permite actualizaciones continuas del modelo entre instituciones, adaptándose rápidamente a nuevos patrones de fraude. Las convoluciones dilatadas amplían el campo receptivo del modelo sin un costo computacional adicional, mejorando la detección de actividades fraudulentas sutiles y complejas. Los experimentos en los conjuntos de datos 2018CN y 2023EU muestran que FGAT-DCNN supera a los modelos tradicionales y a otros métodos de aprendizaje federado, logrando un ROC-AUC de 0.9712 en el conjunto de datos 2018CN y 0.9992 en el conjunto de datos 2023EU. Estos resultados destacan la robustez, precisión y aplicabilidad de FGAT-DCNN en escenarios reales de detección de fraudes.