Temporal Graph Prototype-conditioned Conformal Prediction for Fraud Detection
이 논문은 학습된 프로토타입과 시계열 점수 확산을 활용하여 양성 데이터가 지배적인 이웃과 클래스 불균형으로 인한 보정 비효효율성을 극복함으로써, 최신 베이스라인보다 현저히 작은 예측 집합으로 목표 커버리지를 달성하는 시계열 그래프 상의 엣지 수준 사기 탐지를 위한 등각 예측 프레임워크인 ProtoCP를 소개한다.
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
온라인 마켓플레이스부터 뱅킹 앱에 이르기까지, 디지털 세계에서 사기는 끊임없이 따라다니는 그림자와 같습니다. 사기는 수백만 건의 정상적인 거래 속에 숨어 있는 복잡한 거래와 상호작용의 그물망 속에 숨어 있으며, 단 한 번의 의심스러운 행위가 수많은 정상적인 행위들 사이에 묻힐 수 있습니다. 이러한 악의적인 행위자들을 잡기 위해 컴퓨터 시스템은 인간이 놓칠 수 있는 패턴을 포착하기 위해 인공지능을 사용합니다. 이 시스템들은 이것이 안전한 거래인지, 아니면 사기인지에 대한 추측을 하는 데 능숙합니다. 하지만 돈과 신뢰가 걸려 있을 때 추측만으로는 충분하지 않습니다. 만약 시스템이 틀렸을 때 스스로를 너무 확신한다면, 무고한 사람들을 차단하거나 도둑들을 놓쳐버림으로써 실질적인 해를 끼칠 수 있습니다. 필요한 것은 컴퓨터가 자신이 불확실할 때 이를 알고, 공식적인 보증과 함께 그 불확실성을 인정하는 방법입니다. 이것이 바로 '콘포멀 예측(conformal prediction)'이라 불리는 수학적 도구의 약속입니다. 단순히 하나의 답을 주는 대신, 이 도구는 대부분의 경우 진실을 포함한다는 것이 수학적으로 보장된 작은 가능성의 목록을 제공합니다. 이는 시스템이 실제로 추측하고 있을 때 결코 확신한다고 주장하지 않도록 보장하는 안전망과 같습니다.
하지만 문제는 사기가 매우 까다롭다는 점입니다. 사기는 종종 정상적인 행동 그룹 내부에 숨어 있어, 대중 속에서 이를 구별하기 어렵게 만듭니다. 게다가 사기는 드뭅니다. 정상적인 거래의 바다에서 몇 안 되는 나쁜 사례를 찾는 것은 건초더미에서 바늘 찾기와 같습니다. 연구자들이 이 문제에 표준적인 안전망을 적용하려 했을 때, 그 그물은 너무 느슨하다는 것을 발견했습니다. 시스템이 생성한 가능성의 목록은 쓸모없을 정도로 너무 방대하거나, 혹은 드문 나쁜 사례들이 흔한 좋은 사례들에 의해 휩쓸려 버려 사기를 잡아내지 못했습니다. 기존 방식들은 거래 네트워크의 모든 이웃을 똑같이 중요하게 취급했지만, 사기에서는 의심스러운 거래가 사실은 위장의 일부인 무고한 것들에 둘러싸여 있을 수 있습니다.
이를 해결하기 위해 에모리 대학교와 일리노이 대학교 시카고 캠퍼스의 연구팀은 'ProtoCP'라고 불리는 새로운 접근 방식을 개발했습니다. 그들의 목표는 사기가 눈에 띄게 숨어 있고 극도로 드문 상황에서도, 충분히 정교하면서도 신뢰할 수 있는 안전망을 구축하는 것이었습니다. 그들은 좋은 판단을 내리기 위해서 컴퓨터가 올바른 맥락을 살펴봐야 한다는 점을 깨달았습니다. 거래와 그 이웃을 무질서하고 뒤섞인 더미로 보는 대신, 그들은 시스템이 사기가 보통 어떻게 행동하는지에 대한 특정 '패턴'이나 프로토타입을 인식하도록 가르쳤습니다. 예를 들어, 특정 유형의 기기를 자주 사용하거나 특정 계정 그룹과 연결되는 사기꾼을 상상해 보십시오. 시스템은 이러한 반복되는 패턴을 포착하는 법을 배웁니다.
연구진은 먼저 이러한 패턴을 식별한 다음 이를 통해 데이터를 정제하는 방법을 구축했습니다. 시스템이 거래를 검사하여 그것이 안전한지 결정할 때, 시스템은 주변 네트워크를 살펴봅니다. 하지만 근처의 모든 거래를 똑같이 듣는 대신, 학습된 패턴을 사용하여 노이즈를 걸러냅니다. 시스템은 학습된 사기 패턴과 실제로 닮아 있는 이웃에 집중하고, 정상적이고 무해한 활동인 이웃들은 무시합니다. 이는 상황에 대한 더 명확한 그림을 만들어냅니다. 시스템이 이 더 깨끗한 관점을 갖게 되면, 해당 거래가 얼마나 이상한지를 측정하기 위한 점수를 계산합니다. 이 점수를 더욱 신뢰할 수 있게 만들기 위해, 시스템은 거래를 단 하나의 숫자가 아니라, 필터링된 즉각적인 이웃들과 어떻게 다른지를 비교합니다. 만약 어떤 거래가 의심스러운 이웃들과 매우 다르게 보인다면, 더 높은 경고 점수를 받게 됩니다.
마지막으로, 연구진은 결과값을 시간에 따라 매끄럽게 만드는 단계를 추가했습니다. 사기꾼들은 전술을 바꾸며, 어제의 사기처럼 보였던 것이 오늘은 다르게 보일 수 있습니다. 새로운 방식은 정보를 시간에 걸쳐 분산시켜, 데이터의 갑작스럽고 혼란스러운 급증이 전체 시스템의 균형을 무너뜨리지 않도록 합니다. 이를 통해 시스템은 사기꾼들이 진화하더라도 안정성을 유지할 수 있습니다. 연구팀이 금융 거래와 온라인 리뷰를 포함한 네 가지 실제 데이터 세트에 이 새로운 방법을 테스트했을 때, 이 방법은 이전의 어떤 방식보다 뛰어난 성능을 보였습니다. 이 방식은 안전망을 팽팽하게 유지하여 인간이 검토하기 쉬운 작은 가능성 목록을 생성하면서도, 약속된 비율대로 사기를 잡아냈습니다. 실제로 드문 사기 사례에 대해, 새로운 방식은 과도하게 조심적이지 않으면서도 훨씬 더 잘 잡아냈으며, 반면 기존 방식들은 사기를 놓치거나 실용적이지 않을 정도로 방대한 목록을 만들어냈습니다.
이 연구는 사기의 특정 형태를 인식하도록 시스템을 가르침으로써, 인공지능을 훨씬 더 신뢰할 수 있게 만들 수 있음을 보여줍니다. 연구진은 그들의 접근 방식이 사기의 극단적인 희소성과 악의적인 행위자들의 변화하는 특성을 성공적으로 처리했음을 발견했으며, 높은 정확도와 명확하고 정직한 불확실성 측정을 동시에 갖추는 것이 가능하다는 것을 증명했습니다. 이는 미래에 온라인 플랫폼들이 더 높은 확신을 가지고 의심스러운 활동을 표시하여, 정직한 사람들에게 불필요한 문제를 일으키지 않으면서도 사용자를 보호할 수 있음을 의미합니다. 이 연구는 사기를 잡는 열쇠가 단순히 더 열심히 보는 것이 아니라, 올바른 연결 고리를 더 똑똑하게 보는 것에 있다는 점을 시사합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.