🤖 machine learning

TED: Related Party Transaction guided Tax Evasion Detection on Heterogeneous Graph

본 논문은 전통적인 통계적 방법이 놓치는 복잡한 상호작용 정보를 포착함으로써 탈세 탐지 성능을 크게 향상시키기 위해 이질적 그래프와 계층적 어텐션 메커니즘을 활용하여 관련 당사자 거래를 분석하는 새로운 그래프 신경망 모델인 TED 를 제안한다.

원저자: Yiming Xu, Bin Shi, Bo Dong, Jiaxiang Wang, Hua Wei, Qinghua Zheng

게시일 2026-05-27

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yiming Xu, Bin Shi, Bo Dong, Jiaxiang Wang, Hua Wei, Qinghua Zheng

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

글로벌 경제를 거대하고 북적이는 시장으로 상상해 보세요. 이 시장에서 대부분의 사람들은 규칙을 따르지만, 일부 상인들은 공정한 세금을 내는 것을 피하기 위해 이익을 은밀히 숨기려 합니다. 이것이 바로 탈세이며, 이는 공공 재정을 약탈하는 도둑과 같아 학교, 도로, 병원에 들어갈 자금을 줄여버립니다.

오랫동안 세무 당국은 개별 상인의 장부 (재무 데이터) 를 검토하고 전문가들에게 "의심스러운 징후" 목록을 작성하도록 요청함으로써 이러한 도둑들을 잡으려 했습니다. 하지만 이 방법은 바늘의 색깔만 보고 헤이스트 (건초더미) 에서 바늘을 찾으려 하는 것과 같아서, 바늘이 특정 유형의 상자 안에 숨겨져 있을 수 있다는 사실을 무시한 것이었습니다.

이 논문은 TED(탈세 탐지) 라는 더 똑똑한 새로운 방식을 소개합니다. 간단한 비유를 통해 작동 원리를 설명해 보겠습니다:

1. 문제: 한 명의 상인만의 문제가 아닙니다

저자들은 탈세가 고립적으로 발생하는 경우는 드물며, 보통 관계의 그물망에 관여한다는 사실을 깨달았습니다. "나쁜" 상인은 "나쁜" 공급업체, "나쁜" 회계사, 그리고 "나쁜" 투자자와 연결되어 있을 수 있습니다.

옛 방식: 고립된 한 명의 상인을 바라보는 것.
새로운 방식 (TED): 전체 연결망을 바라보는 것.

저자들은 이질적 그래프라는 거대한 지도를 구축했습니다. 이 지도를 단순히 점과 선으로 보지 말고, 서로 다른 유형의 건물들이 있는 복잡한 도시로 상상해 보세요:

기업(상점)
사람(소유주 및 투자자)
상품(판매되는 물건)
사건(거래)

이 도시에서 선들은 이러한 건물들을 연결합니다. 사람이 기업을 소유하고, 기업이 물건을 구매하며, 기업이 다른 기업에 판매합니다.

2. 과제: 너무 많은 노이즈

이 거대한 도시 지도의 문제는 노이즈가 많다는 것입니다. 수백만 개의 무해한 연결이 존재합니다. 한 기업이 다른 기업에서 연필을 구매하는 것은 정상적인 비즈니스 거래일 뿐입니다. 모든 연결을 살펴보면 노이즈에 압도되어 실제 범죄자를 놓치게 됩니다.

이 논문은 "연막탄"과 같은 특정 유형의 연결을 식별합니다: 관련 당사자 거래 (RPT).

비유: 비밀리에 매형 사이인 두 상인을 상상해 보세요. 그들은 돈을 이동시키고 이익을 숨기기 위해 서로에게 가짜 가격으로 물건을 판매합니다. 외부인에게는 정상적인 판매처럼 보이지만, 세무관에게는 돈의 "가족 재회"라는 의심스러운 거래로 보입니다.

3. 해결책: "TED" 탐정

저자들은 TED라는 시스템을 만들어 초지능 탐정처럼 작동하게 했습니다. 이는 전체 도시를 보는 것이 아니라 RPT 그룹이라는 특정 의심스러운 지역에만 집중합니다.

다음은 TED 가 두 가지 주요 문제를 해결하는 방법입니다:

A. 노이즈 필터링 ("고차원" 필터)

대부분의 컴퓨터 프로그램은 한 단계 떨어진 이웃 (예: "A 기업이 누구에게 팔았는가?") 만 봅니다. TED 는 더 깊게 파고듭니다. 탈세에 사용된다고 알려진 특정 연결 패턴 (예: 서로 거래하는 두 기업을 소유한 사람) 인 RPT 그룹을 찾습니다.

비유: 도둑을 찾고 있다고 상상해 보세요. 일반적인 수색은 도둑 옆을 지나간 모든 사람을 봅니다. TED 는 군중을 무시하고 도둑의 "내부 고리"인 공범들만 봅니다. 이러한 특정 그룹에 집중함으로써 TED 는 정상적인 비즈니스의 무해한 "노이즈"를 필터링해 냅니다.

B. 계층적 주의 (스마트 확대경)

TED 가 이러한 의심스러운 그룹을 찾으면, 그룹의 어떤 부분이 가장 위험한지 파악해야 합니다.

내부 RPT 수준: TED 는 단일 의심스러운 그룹 내부로 들어갑니다. "이 다섯 명으로 구성된 그룹에서, 어떤 두 명이 가장 의심스러운 거래를 하고 있는가?"라고 묻습니다. 각 연결의 중요도를 평가하기 위해 멀티헤드 어텐션 메커니즘(서로 다른 각도를 바라보는 여러 개의 확대경을 가진 것으로 생각하세요) 을 사용합니다.
크로스 RPT 수준: TED 는 그런 다음 전체 기업을 봅니다. 한 기업이 다섯 개의 다른 의심스러운 그룹에 관여할 수 있습니다. TED 는 "이 다섯 그룹 중 어느 것이 가장 큰 위협인가?"라고 묻습니다. 최종 판단에 각 그룹이 얼마나 영향을 미쳐야 할지 결정하기 위해 각 그룹에 "가중치"나 점수를 부여합니다.

4. 결과: 더 많은 도둑 잡기

저자들은 중국의 세무서에서 얻은 실제 데이터로 TED 를 테스트했습니다. 이를 표준 AI 모델 및 전문가 규칙 시스템과 같은 13 가지의 다른 최상위 방법과 비교했습니다.

결과: TED 는 탈세자를 잡는 데 훨씬 더 뛰어났습니다. 기존 최상위 방법 대비 탐지 정확도를 약 7.6% 향상시켰으며, 무고한 사람을 잘못 고발하지 않으면서 도둑을 잡는 균형을 측정하는 F1 점수를 8.5% 향상시켰습니다.
성공 원인: 고립된 데이터 포인트를 보는 것을 멈추고 사람과 기업 사이의 복잡하고 숨겨진 관계를 이해하기 시작했기 때문입니다.

요약

탈세 탐지를 건초더미에서 바늘을 찾는 것으로 생각해 보세요.

옛 방법은 건초의 색깔을 보고 바늘을 찾으려 했습니다.
TED는 바늘이 보통 특이하게 생긴 상자 (RPT 그룹) 안에 숨겨져 있다는 사실을 깨달았습니다. 나머지 건초더미는 무시하고, 해당 상자들에 초점을 맞추어, 상자 중 어느 부분이 바늘을 포함하고 있는지 정확히 보기 위해 스마트한 확대경을 사용합니다.

이 논문은 이 방법이 매우 효과적이어서 이미 세무서의 실제 위험 관리 시스템에 적용되었으며, 비즈니스 세계의 "누가 누구를 아는가"를 이해하는 것이 탈세 방지의 핵심임을 입증했다고 결론지었습니다.

기술 요약: TED: 이질적 그래프 기반 관련 당사자 거래 안내 세무 탈세 탐지

문제 제기
세무 탈세는 막대한 정부 세수 손실을 초래하고 공정한 경제 경쟁을 교란합니다. 기존 탐지 솔루션은 전문가가 설계한 통계적 특징이나 네트워크 기반 방법에 의존하지만, 세무 시나리오에 내재된 풍부하고 상호작용적인 정보를 완전히 활용하지 못하는 경우가 많습니다. 구체적으로 전통적인 방법은 납세자 간의 복잡하고 복합적이며 은밀한 관계를, 특히 관련 당사자 거래 (RPT) 그룹 내에서 모델링하는 데 어려움을 겪습니다. 또한, 이질적인 세무 데이터에는 상당한 노이즈가 포함되어 있어 관련 없는 관계들이 정확한 탐지에 필요한 신호를 흐리게 만듭니다. 본 논문은 세무 시나리오를 이질적 그래프로 모델링하고 RPT 그룹을 활용하여 노이즈를 필터링하며 깊은 구조적 의미를 포착함으로써 세무 탈세 탐지 과제를 해결합니다.

방법론: TED 프레임워크
저자들은 다양한 엔티티 유형 (예: 회사, 개인, 품목, 사건) 과 관계 유형을 포함하는 이질적 그래프에서 작동하도록 설계된 새로운 그래프 신경망 (GNN) 모델인 TED(세무 탈세 탐지를 위한 RPT 안내 이질적 그래프 계층적 주의) 를 제안합니다. 이 모델은 두 가지 주요 계층 수준을 통해 작동합니다:

고차 근접성으로서의 RPT 그룹:
단순한 메타패스나 $k$ 차 이웃에 의존하는 대신, TED 는 RPT 그룹 (예: 개인 - 회사 - 회사 - 개인) 을 고차 근접성 구조로 정의합니다. 이 접근법은 세무 탈세와 무관한 저차 노이즈 관계를 필터링하여 세무 탈세가 발생할 가능성이 더 높은 복잡한 거래 그룹에 초점을 맞춥니다.
계층적 주의 메커니즘:
이러한 RPT 그룹 내부 및 그룹 간의 복합적 영향을 포착하기 위해 TED 는 두 단계 주의 프레임워크를 사용합니다:
- 내부 RPT 수준: 이 수준은 타겟 노드를 둘러싼 개별 RPT 그룹 인스턴스로부터 특징을 추출합니다. 서브그래프 매칭 접근법을 사용하여 인스턴스를 식별하고, 다중 헤드 주의 메커니즘을 활용하여 특정 RPT 인스턴스 내의 서로 다른 노드의 중요도를 가중치로 부여합니다. 이 과정은 이질적 위상 구조를 동질적 그래프로 축소하지 않고 유지하면서 인스턴스 내 모든 이웃으로부터 특징을 집계합니다.
- 교차 RPT 수준: 이 수준은 서로 다른 RPT 그룹 간 정보를 집계합니다. 서로 다른 RPT 그룹은 고유한 위상 구조와 의미적 의미를 가지므로, 타겟 노드에 대한 각 RPT 그룹 유형의 상대적 중요도를 학습하기 위해 교차 RPT 주의 메커니즘이 사용됩니다. 이는 원래 노드 특징과 집계된 RPT 특징을 결합하여 주의 계수를 계산하고, 최종적으로 노드 임베딩을 생성합니다.

모델은 라벨이 지정된 세무 탈세 데이터에 대한 교차 엔트로피 손실을 최소화하면서 그래프 구조를 활용하여 라벨이 없는 노드로 정보를 전파하는 준지도 학습 방식으로 훈련됩니다.

주요 기여
본 논문은 세 가지 주요 기여를 제시합니다:

이질적 그래프 모델링: 저자들은 10 가지 이상의 노드와 관계를 포함하는 이질적 그래프 모델 하에서 세무 탈세 탐지를 연구한 최초의 사례로, 이러한 포괄적인 표현이 특징 기반 또는 동질적 그래프 방법에 비해 탐지 성능을 향상시킨다고 주장합니다.
RPT 안내 계층적 주의: 저차 노이즈를 필터링하기 위해 고차 근접성으로서 RPT 그룹을 사용하는 제안과 함께, 복잡하고 은밀한 관계로부터 깊은 구조적 및 의미적 정보를 발굴하기 위한 새로운 계층적 주의 모델 (내부 RPT 및 교차 RPT 수준) 을 제시합니다.
실제 적용 및 평가: 이 방법은 중국 세무국의 실제 리스크 관리 시스템에 적용되었으며, 두 개의 인간이 라벨링한 실제 세무 데이터셋 (T20H 및 T15S) 에서 평가되었습니다.

실험 결과
저자들은 TED 를 근접성 보존 방법 (예: HIN2Vec, Metapath2vec), 관계 학습 방법 (예: TransE, DistMult), PU 학습 방법 (예: PUNE), 그리고 메시지 전달 GNN (예: GCN, HAN, HGT) 을 포함한 13 가지 최첨단 베이스라인과 비교 평가했습니다.

성능: TED 는 모든 베이스라인을 크게 능가했습니다. T20H 및 T15S 데이터셋에서 기존 최우수 방법 대비 평균 F1 점 향상은 각각 8.50% 와 12.86%, 정확도 향상은 각각 7.61% 와 11.40% 를 기록했습니다.
강건성: 이 모델은 훈련 세트 내 양의 샘플 비율 (PSR) 이 변하는 상황에서도 안정성을 보였으며, 라벨이 지정된 데이터가 부족한 경우 (예: 10% PSR) 에도 우수한 성능을 유지했습니다.
절차 제거 연구: 실험은 각 구성 요소의 필요성을 확인했습니다. 이질적 노드 유형 (TED-hete), 주의 메커니즘 (TED-att), 또는 특정 주의 수준 (TED-inner, TED-cross) 을 제거하면 성능이 크게 저하되었습니다.
시각화: t-SNE 시각화는 TED 가 다른 모델들에 비해 세무 탈세 회사와 정상 회사 간에 더 명확한 분리를 생성하여 우수한 표현 학습을 나타냈음을 보여주었습니다.
효율성: TED 는 다른 모델들과 비교해 훨씬 짧은 훈련 시간으로 동등한 성능을 달성했으며, 그래프 크기에 따라 선형적으로 확장되는 높은 효율성을 입증했습니다.

의의 및 주장
본 논문은 이 작업의 주요 의의가 정적 특징 추출에서 이질적 그래프를 사용한 동적이고 구조 인식 모델링으로의 세무 탈세 탐지 패러다임 전환에 있다고 주장합니다. RPT 그룹을 명시적으로 고차 근접성으로 모델링함으로써 이 방법은 세무 데이터에 내재된 "노이즈 관계"와 "복합 관계" 문제를 효과적으로 해결합니다. 저자들은 이 접근법이 탐지 정확도를 향상시킬 뿐만 아니라 실제 세무 리스크 관리 시스템에 통합될 수 있는 프레임워크를 제공한다고 주장합니다. 결론적으로 계층적 주의 메커니즘은 복잡한 세무 네트워크 내의 숨겨진 의미 정보를 성공적으로 발굴하여 글로벌 경제 문제에 대한 견고한 해결책을 제시합니다. 향후 연구는 의미 있는 RPT 그룹의 자율적 선택을 위한 강화 학습을 탐구하여 도메인 전문가 개입의 필요성을 줄이는 방향으로 제안됩니다.