🤖 machine learning

Empowering Credit Risk Detection in Weixin Pay with Billion-Scale Deep Graph Learning

이 논문은 예산 제약 기반 샘플링과 서브그래프 간 일관성 정렬을 통해 부하 분산과 핵심 롱테일 리스크 패턴 보존 사이의 균형을 맞춤으로써 위챗 페이(Weixin Pay)의 십억 규모 신용 리스크 탐지 성능을 크게 향상시킨 리스크 인지형 중첩 서브그래프 학습 프레임워크를 제안한다.

원저자: Xin Liu, Xiyuan Chen, Chenglong Wu, Xuan Zong, Jun Zhou, Dawei Cheng

게시일 2026-08-04

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Xin Liu, Xiyuan Chen, Chenglong Wu, Xuan Zong, Jun Zhou, Dawei Cheng

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

인터넷을 모두가 연결된 거대하고 북적이는 도시라고 상상해 보세요. 이 도시에서 모든 사람은 자신이 무엇을 사고, 누구와 대화하며, 어디를 가는지와 같은 디지털 발자국을 남깁니다. 대부분의 경우, 이 발자국들은 평범한 이야기를 들려줍니다. 하지만 때때로 몇몇 사람들은 몰래 숨어들어 돈을 훔치거나 시스템을 속이려 합니다. 이것을 "신용 사기(credit fraud)"라고 부르며, 이는 나쁜 놈들이 아주 잘 숨는 숨바꼭질 게임과 같습니다. 이들을 잡기 위해, 은행과 결제 앱들은 예전에는 한 개인의 발자국만을 살펴보았습니다. 하지만 나쁜 놈들은 영리해서, 종종 집단으로 움직이거나 다른 사람의 삶의 그림자 속에 숨어듭니다. 그래서 과학자들은 "그래프(graph)"라고 불리는 특별한 종류의 지도를 사용하기 시작했습니다. 그래프를 차트가 아니라, 사람과 사건을 연결하는 거대한 실의 웹이라고 생각해보세요. 만약 당신이 실 하나를 잡아당기면, 전체 웹이 흔들리며 숨겨진 패턴을 드러냅니다. 이것이 "그래프 신경망(Graph Neural Networks, GNN)"의 힘입니다. 이들은 사람이 어떻게 수상한 행동을 하는지 그 연결 관계를 통해 알아낼 수 있는 매우 똑똑한 탐정과 같습니다.

하지만 이 지도에는 커다란 문제가 있습니다. 위챗페이(Weixin Pay)와 같은 현실 세계에서는, 지도가 너무 커서 수십억 명의 사람과 연결 고리를 포함하고 있습니다. 이는 마치 찻잔에 온 바다를 담으려는 것처럼, 단 한 대의 컴퓨터가 감당하기에는 너무 무겁습니다. 그래서 엔지니어들은 여러 대의 컴퓨터가 작업을 나누어 할 수 있도록 지도를 작은 조각들로 잘라야 했습니다. 하지만 문제는, 지도를 조각으로 자를 때 나쁜 놈들과 단서들을 연결하는 바로 그 실들을 함께 잘라버릴 수도 있다는 점입니다. 이는 마치 범죄 현장의 절반만 보고 미스터리를 풀려는 것과 같습니다. 가장 중요한 증거를 놓칠 수도 있기 때문입니다. 이 논문은 중요한 실들을 온전히 유지하면서도 조각들을 운반하기에 너무 무겁지 않게 만드는 새로운 방식의 지도 절단법을 소개합니다.

연구진은 텐센트의 위챗페이와 협력하여 RAOS(Risk-Aware Overlapping Subgraph Learning)라는 영리한 시스템을 개발했습니다. 여러분이 친구들과 피자를 나누어 먹기 위해 자른다고 상상해 보세요. 예전 방식은 두 명의 친구가 같은 조각을 갖지 않도록 완벽하게 조각을 나누는 것이었습니다. 하지만 만약 "나쁜 토핑(사기꾼)"이 어떤 조각의 가장자리에 걸쳐 있다면, 그 조각을 가진 사람은 토핑이 옆 사람의 조각에 걸쳐 있다는 이유로 그것을 놓칠 수도 있습니다. 새로운 방식인 RAOS는 피자를 약간 겹치게 자르는 것과 같습니다. 각 친구에게 조각을 주되, 옆 사람의 조각도 아주 조금씩 겹쳐서 가지게 하는 것입니다. 이렇게 하면, 만약 나쁜 토핑이 가장자리에 있더라도 근처에 있는 모든 사람이 그것을 볼 기회를 얻게 됩니다.

하지만 위험 요소가 있습니다. 만약 모든 사람에게 옆 사람의 조각을 너무 많이 주게 되면, 도움이 되지 않는 과도한 치즈와 크러스트(이를 "노이즈"와 "중복성"이라고 합니다)가 많아지게 됩니다. 팀은 어떤 "추가 조각"을 넣을지 매우 까다롭게 선택함으로써 이 문제를 해결했습니다. 그들은 "롱테일(long-tail)" 연결, 즉 숨겨진 사기의 비밀 단서를 쥐고 있는 경우가 많은 조용하고 덜 유명한 연결들에 집중했습니다. 그들은 이 중요하지만 간과되기 쉬운 조각들을 찾아내어 조각에 추가하기 위해 "h-index"라고 불리는 특별한 필터를 사용했으며, 시끄럽고 중요하지 않은 부분들은 무시했습니다.

게다가, 동일한 사람이 두 개의 서로 다른 조각에 나타날 수 있기 때문에, 컴퓨터는 그를 서로 다른 이야기를 가진 두 명의 다른 사람으로 오해할 수 있습니다. 이를 해결하기 위해 팀은 "일관성 정렬(consistency alignment)" 단계를 추가했습니다. 이것은 마치 친구들이 모여서 두 조각 모두에 등장하는 인물에 대해 서로의 노트를 비교하며, 그 사람이 정말 누구인지에 대해 모두가 동의하도록 확인하는 회의와 같습니다. 이는 최종적인 그림이 명확하고 정확하도록 보장합니다.

연구진이 수억 명의 사용자를 포함하는 위챗페이의 실제 데이터로 이 새로운 시스템을 테스트했을 때, 결과는 인상적이었습니다. 새로운 방식은 지도를 겹침 없이 자르는 기존 방식보다 사기꾼을 포착하는 데 훨씬 뛰어났습니다. 이 방식은 단순히 눈에 띄는 나쁜 놈들을 잡는 데 그치지 않고, 누가 미래에 사기꾼이 될 것인지 예측하는 것("포워드 리스크(forward risk)" 예측)에도 훨씬 뛰어났습니다. 실제로, 이 방식은 지도를 겹침 없이 자르는 표준 방식에 비해 위험한 사용자를 찾아내는 능력을 10% 이상 향상시켰습니다. 더욱 놀라운 점은, 그들의 새로운 방식이 전체 지도를 한꺼번에 보려고 하는 방식보다 사기를 찾는 데 더 효과적이었다는 것입니다. 왜냐하면 기존의 "전체 지도" 접근 방식은 너무 많은 노이즈 때문에 혼란을 겪었기 때문입니다.

현실 세계에서 이것은 의미합니다. 즉, 사람들이 사기로 인해 돈을 잃는 일이 줄어들고 모두를 위한 더 안전한 금융 시스템이 구축된다는 것입니다. 연구팀은 실제 사용자를 대상으로 한 라이브 테스트에 이 시스템을 투입했으며, 이전 시스템들보다 더 많은 위험 사용자를 식별하고 더 많은 재정적 손실을 방지하는 데 성공했습니다. 퍼즐 조각을 신중하게 겹치고 모두가 하나의 그림에 동의하도록 만듦으로써, 그들은 컴퓨터가 단독으로는 처리하기에 너무 크고 복잡했던 문제를 해결해 냈습니다.

기술 요약: 10억 규모의 딥 그래프 학습을 통한 위챗페이(Weixin Pay)의 신용 리스크 탐지 역량 강화

문제 정의
신용 리스크 탐지, 특히 개인 부정 결제 방지는 디지털 금융 생태계의 안정성을 위해 매우 중요합니다. 그래프 신경망(GNN)은 이종 사용자-리스크 그래프 내의 복잡한 의존성을 포착하는 강력한 도구로 부상했지만, 산업 현장에서의 배포는 심각한 확장성 병목 현상에 직면해 있습니다. 위챗페이와 같은 실제 그래프는 노드와 엣지가 수십억 개 규모에 달하며, 이는 전체 그래프 학습(full-graph training)을 계산적으로 불가능하게 만듭니다.

기존의 분산 학습 전략은 일반적으로 그래프를 서로 겹치지 않는 부분 그래프(disjoint subgraphs)로 분할하여 계산 부하를 균형 있게 조절합니다. 그러나 이러한 방식은 리스크 전파에 필수적인 '롱테일 증거 체인(long-tail evidence chains)'을 처참하게 단절시켜 탐지 정확도를 저하시킵니다. 반대로, 중첩 부분 그래프(overlapping subgraph) 전략은 단절된 컨텍스트를 복구할 수는 있지만, 중복성, 노이즈, 그리고 서로 다른 로컬 부분 그래프 간의 표현 불일치 문제를 야기할 수 있습니다. 핵심 과제는 효율성을 해치지 않으면서도 중요한 리스크 확산 패턴을 보존함으로써, 산업적 확장성과 고정밀 리스크 탐지 사이의 간극을 메우는 것입니다.

방법론: RAOS 프레임워크
저자들은 10억 규모의 신용 리스크 탐지를 위해 설계된 RAOS(Risk-Aware Overlapping Subgraph Learning) 프레임워크를 제안합니다. 이 파이프라인은 세 가지 주요 단계로 구성됩니다:

리스크 인지적 부분 그래프 구축 (Risk-Aware Subgraph Construction):
- 기본 분할 (Base Partitioning): 글로벌 그래프를 먼저 무작위 해시 전략을 사용하여 서로 겹치지 않는 기본 파티션으로 분해함으로써 분산 워커 간의 계산 부하 균형을 보장합니다.
- 예산 제한적 중첩 샘플링 (Budget-Constrained Overlapping Sampling): 단절된 연결을 복구하기 위해 로컬 부분 그래프를 선택적으로 확장합니다. 단순히 고차수(high-degree) 노드를 무분별하게 추가하여 노이즈를 유발하는 대신, h-index 지표를 활용하여 정보 가치가 높은 **롱테일 노드(long-tail nodes)**를 식별하고 샘플링합니다. 이 노드들은 파티션으로 인한 단절에 취약하지만 결정적인 리스크 신호를 보유하고 있습니다. 사전 정의된 예산( $M$ )은 확장 비율을 제한하여 구조적 노이즈를 필터링하는 동시에 비중복적 리스크 컨텍스트를 보존합니다.
동적 이종 그래프 학습 (Dynamic Heterogeneous Graph Learning):
- 각 부분 그래프는 **동적 이종 그래프 신경망(DHGNN)**에 의해 처리됩니다.
- 공간 모델링 (Spatial Modeling): 프레임워크는 멀티 헤드 상호 주의 집중(multi-head mutual attention)을 갖춘 이종 그래프 트랜스포머(HGT)를 활용하여 공간적 패턴을 포착합니다. 특히 사용자 노드와 리스크 이벤트 노드 간의 메타 관계를 모델링하며, 노드 및 엣지 유형에 따라 어텐션 점수를 계산합니다.
- 시간 모델링 (Temporal Modeling): 리스크의 진화를 포착하기 위해 모델은 시간적 주의 집중 메커니즘과 GRU(Gated Recurrent Unit)를 통합합니다. 이를 통해 과거 상태를 집계하고 사용자-리스크 상호작용의 동적 특성을 반영하는 시공간적 표현을 도출합니다.
교차 부분 그래프 일관성 정렬 (Cross-Subgraph Consistency Alignment):
- 중첩된 노드는 여러 부분 그래프에 등장하므로, 서로 다른 로컬 이웃으로 인해 서로 다른 표현을 가질 수 있습니다.
- 이를 해결하기 위해 RAOS는 교차 부분 그래프 일병 정렬(Cross-Subgraph Consistency Alignment) 모듈을 도입합니다. 이 모듈은 정준 상관 분석(CCA) 목적 함수를 사용하여 중첩된 노드에 대한 정렬 제약을 강제합니다.
- 손실 함수는 불변성 항(여러 부분 그래프 간 동일 노드의 표현 간 거리 최소화)과 탈상관화 항(특징 차원 간의 중복성 최소화)으로 구성됩니다. 이는 로컬 뷰를 전역적으로 일관된 잠재 공간으로 조화시킵니다.

주요 기여

프레임워크 혁신: 본 연구는 10억 규모의 신용 리스크 탐지에서 GNN의 성능-확장성 간극을 메우기 위해 특별히 설계된 최초의 중첩 부분 그래프 학습 프레임워크를 제시합니다.
전략적 샘플링: 저자들은 예산 제한적 리스크 컨텍스트 보존과 일관성 정렬을 통합했습니다. h-index 필터링을 통해 정보가 풍부한 롱테일 리스크 패턴을 선택적으로 보존하고 중첩된 표현을 정렬함으로써, 효율성과 표현 일관성을 모두 확보했습니다.
산업적 검증: 본 프레임워크는 위챗페이의 프로덕션 데이터셋을 통해 광범별 오프라인 및 온라인 실험으로 검증되었으며, 10억 규모의 딥 그래프 학습을 위한 확장 가능한 솔루션을 입증했습니다.

실험 결과
프레임워크는 8억 4,500만 개 이상의 사용자 행동 기록과 약 4억 9,800만 명의 고유 사용자를 포함하는 WeCreditFraud 데이터셋을 통해 평가되었습니다.

오프라인 성능: RAOS는 비그래프 방식(XGBoost, MLP) 및 기타 분산 GNN 전략(Random Hash, METIS, COPRA)을 포함한 기존 베이스라인들을 크게 상회했습니다.
- 즉각적 리스크 탐지( $T$ )에서 RAOS는 52.96의 KS(Kolmogorov-Smirnov) 점수를 달성하여, Random Hash 베이스라인(42.46)보다 10포인트 이상 높은 성과를 보였습니다.
- 향후 리스크 예측( $T+90$ )에서 RAOS는 Random Hash의 20.61 대비 26.47의 KS를 달성하며 우수한 일반화 능력을 입증했습니다. 이는 리스크가 실제로 나타나기 전에 잠재적 위험을 탐지하는 강력한 능력을 나타냅니다.
- 특히, RAOS는 풀 그래프 학습 백본보다 뛰어난 성능을 보였는데, 이는 롱테일 노드를 선택적으로 샘플링하고 풀 그래프에 존재하는 중복 연결을 필터링하는 구조적 노이즈 제거 효과 덕분입니다.
어블레이션 연구 (Ablation Studies): 실험을 통해 중첩 전략이 손실된 구조적 컨텍스트를 복구하는 데 필수적임을 확인했습니다. 또한, 낮은 h-index(롱테일) 노드를 우선시하는 것이 구조적 노이즈를 유발하는 높은 h-index 노드보다 더 나은 결과를 가져왔습니다. 일관성 정렬 모듈은 특히 향후 리스크 예측에서 추가적인 이득을 제공했습니다.
온라인 배포: RAOS는 위챗페이의 프로덕션 환경에 배포되었습니다. 30일간의 A/B 테스트 결과, 대부분의 세그먼트에서 기존 모델(Baseline-v1/v2)보다 종합적인 우월성을 보였으며, 특히 비활성 사용자 세그먼트에서 괄목할 만한 돌파구를 마련했습니다.
- 사용자 레벨 KS: RAOS는 비활성 사용자에 대해 Baseline-v2 대비 **4.06%**의 유의미한 개선을 달성했습니다. 다만, 활성 사용자의 경우 RAOS(55.09)가 Baseline-v2(55.59)보다 약간 낮았습니다.
- 금액 가중 KS (Amount-Weighted KS): 비활성 사용자에 대해 5.41% 개선되었습니다.
- 경제적 영향: RAOS는 모든 리스크 확률 구간에서 부정 사용자 리콜(recall)을 높이고 금전적 손실을 방지했습니다(p < 0.01에서 통계적 유의성 확보).

의의 및 주장
본 논문은 RAOS가 산업적 그래프 학습을 위한 확장 가능하고 효과적인 솔루션을 제공하며, 10억 규모의 환경에서 계산 효율성과 탐지 정확도 사이의 트레이드오프를 성공적으로 해결했다고 주장합니다. 중요한 롱테일 리스크 확산 경로를 보존하고 표현 일관성을 보장함으로써, 전통적인 분리 파티션 방식이 놓치는 미세하고 잠재적인 부정 리스크를 식별할 수 있게 합니다. 저자들은 이 연구가 10억 규모의 딥 그래프 학습에 대한 새로운 패러다임을 구축하며, 디지털 금융 서비스의 무결성을 보호하기 위한 대규모 GNN의 산업적 배포에 대한 참조 모델을 제공한다고 강조합니다. 또한, 시스템은 프로덕션 예산 내에서 작동할 수 있으며, 8개의 GPU로 16시간 만에 학습을 완료하고 100만 명의 사용자에 대해 2.78초의 추론 지연 시간을 기록하는 것으로 나타났습니다.

유사한 논문