Improving Credit Card Fraud Detection Using Ensemble Machine Learning Techniques

デジタル探偵と干し草の中の針

想像してみてください。あなたは、毎秒何百万もの人々がコーヒーを買い、家賃を払い、ピザを注文している、巨大で賑やかな街を歩いています。この街には財布を盗もうとするスリもいますが、彼らは非常に稀です。おそらく、100人の正直な買い物客に対して、泥棒はわずか2、3人程度でしょう。もし、スリを見つけることだけを仕事とする警備員を雇ったとしても、その警備員は統計的にほとんどの場合で正解するため、「誰も盗んでいません！」と言うのが非常に上手くなってしまうかもしれません。しかし、それは警備員として不適切な仕事です！もし一人でも泥棒を見逃してしまえば、その代償は甚大だからです。これが、オンラインのクレジットカード会社が日々直面している悪夢です。彼らは、完璧に正常な取引の山の中に隠れている、極めて小さく狡猾な詐欺師を見つけ出さなければなりません。

これを解決するために、科学者たちは**機械学習（Machine Learning）と呼ばれるものを使用します。これは、歴史を読み取ることで学習する超スマートなロボットだと考えてください。ロボットは、過去の何千もの取引を調べて、何が「通常の」支出であり、何が「疑わしい」支出であるかを理解します。しかし、ここには落とし穴があります。詐欺のケースがあまりにも少ないため、ロボットは混乱してしまうのです。それは、ロボットにライオンの写真を一度だけ見せ、一方で猫の写真を100万枚見せることで、ライオンについて学ぼうとするようなものです。ロボットは単に「ああ、すべては猫なんだ！」と考えてしまうでしょう。これを修正するために、研究者たちは敵対的生成ネットワーク（GANs）**という巧妙なトリックを使用します。GANは、マスター・フォージャー（偽造の達人）とマスター・ディテクティブ（探偵の達人）が協力し合っている状態だと考えることができます。フォージャーは、探偵を欺くほどリアルに見える偽の「ライオン」の写真を生成しようとし、一方で探偵は偽物を見破る能力を高めていきます。彼らの作業が終わる頃には、探偵は本物のライオンをようやく認識できるほど、十分に多くの「ライオン」を目にするようになります。この論文では、これらのデジタルの偽造者と探偵を使用して、クレジットカードの窃盗犯をより速く、より賢く捕まえる方法を探求しています。

---

論文の核心的なアイデア：ロボットに「針」を見つけさせる方法

この研究において、モロッコのカディ・アヤド大学の研究チームは、より優れたデジタル警備員を構築することを決定しました。彼らは、「フォージャー（偽造者）」のトリック（GANs）と、さまざまな機械学習ロボットのチーム（アンサンブル学習と呼ばれます）を組み合わせることで、クレジットカード詐欺をリアルタイムで捕まえられるかどうかを検証したいと考えました。彼らが求めたのは、単に正確なロボットではなく、取引が完了する前に泥棒を阻止できるほど高速なロボットでした。

研究者たちは、AirportRentalというウェブサイトからの実世界のデータセットからスタートしました。そこには76,900件の取引が含まれていましたが、ここに問題がありました。そのうち実際に詐欺であったのはわずか1,922件（約2.5%）だったのです。それは、針が極めて少ない巨大な干し草の山でした。

まず、彼らはこの乱れた不均衡なデータを用いてロボットを教育しようと試みました。予想通り、ロボットは多数派のクラスを優先しました。彼らは「これは正常な取引である」と言うことに長けすぎていたため、ほとんどの詐欺を見逃してしまいました。しかし、そこで研究者たちはGANsを投入しました。彼らは、フォージャーと探偵のチームを使用して、詐欺取引の合成（偽物だがリアルな）例を作成しました。彼らは、これらの新しい例を本物の例と混ぜ合わせ、データセットが完全にバランスの取れた状態、つまり正常な取引**50%と詐欺的な取引50%**になるまで調整しました。突然、ロボットには非常に優れた学習ガイドが用意されたのです。

次に、どのモデルが最高の探偵であるかを確認するために、さまざまな機械学習モデルのラインナップをテストしました。彼らが試したのは以下の通りです：

• ロジスティック回帰およびナイーブベイズ（単純で高速な思考型）。
• k近傍法（KNN）およびサポートベクターマシン（SVM）（より低速で複雑な思考型）。
• ランダムフォレストおよびXGBoost（強力な意思決定者たちのチームによる共同作業）。

彼らは2つの指標を測定しました。「どれだけ詐欺を捕まえられたか？」（これは**再現率（Recall）と呼ばれます）そして「どれだけ速かったか？」（これは実行時間（Execution Time）**です）。

結果：スピードスターの勝利

実験の結果、「フォージャー」のトリックは驚くべき効果を発揮したことが示されました。ロボットがGANsによって作成されたバランスの取れたデータから学習すると、詐欺を見抜く能力が急上昇しました。平均して、彼らの再現率（悪い奴を見つける能力）は約25パーセントポイント跳ね上がりました。これは、彼らが泥棒を見逃さなくなったことを意味します。

テストされたすべてのモデルの中で、一つのチームが明確なチャンピオンとして際立ちました。それがXGBoostです。

なぜXGBoostが主役となったのか、その理由は以下の通りです：

1. 最も正確であった： バランスの取れたデータにおいて、XGBoostは95%の適合率（Precision）（アラームを鳴らすたびにほぼ毎回正解した）と、93%の再現率（Recall）（ほとんどすべての詐欺を捕まえた）を達成しました。また、99%のAUC-ROCも記録しました。これは、良質な取引と悪質な取引を区別する能力がほぼ完璧であることを示す高度な指標です。
2. プレッシャー下でも高速であった： これが最もエキサイティングな部分です。研究者たちはロボットを一つずつテストしたのではなく、数百の取引が同時に発生している忙しい空港のレンタカーカウンターをシミュレートしました。
   • わずか1件の取引を処理する場合、ナイーブベイズのような単純なモデルが最も速く、わずか0.09ミリ秒しかかかりませんでした。
   • しかし、群衆が30件の同時取引へと増えると、単純なモデルや複雑なモデル（KNNやSVMなど）は劇的に速度が低下し始めました。KNNの時間は18.45 msに跳ね上がり、SVMは21.10 msを要しました。彼らのパフォーマンスは**800%**以上も「劣化（低下）」しました。
   • しかし、XGBoostは冷静でした。30件の取引があっても、わずか2.90ミリ秒しかかかりませんでした。そのパフォーマンスの低下は約**480%**にとどまり、グループの中で最も安定していました。

この論文は、最も速い単純なモデル（ナイーブベイズなど）が、実世界のシステムにおいて最良の選択肢であるという考えを明確に否定しています。それらは単一のタスクには迅速ですが、混雑時のラッシュアワーには対応できません。また、古い不均衡なデータに頼ることに対しても、優れたモデルであっても詐欺を見つけるのに苦戦することを示し、警告を発しています。

結論

この研究は、クレジットカード詐欺を捕まえるための最善の方法は、GANを使用してバランスの取れたトレーニングセットを作成し、その上でXGBoostのようなアンサンブルモデルに検知を行わせることであると結論付けています。この組み合わせは、最高の両取りを実現します。すなわち、極めて稀で小さな詐欺師を見つけ出す非常に優れたロボットと、お金が口座から引き出される前にそれを阻止できるほど高速なロボットの両方を手に入れることができるのです。

著者らは、このアプローチが実世界の金融システムにおける堅牢でスケーラブルなソリューションであることを示唆しています。彼らは単に理論的な勝利を見出しただけでなく、忙しい取引システムのリアルタイムのプレッシャーをシミュレートし、XGBoostがその熱気に耐えうることを証明しました。彼らはこれがすべての詐欺に対する最終的な解決策であるとは主張していませんが（泥棒は常に新しい手口を編み出しているため）、この特定のツールの組み合わせが、私たちのデジタルウォレットを守るための非常に強力で信頼できる、実用的な一歩であることを示しました。