Rule-to-Data Knowledge Transfer via Optimal Transport for Weakly Supervised Anomaly Detection on Transaction Graphs

기술 요약: 약지도 이상 탐지를 위한 최적 운송 기반의 규칙-데이터 지식 전이

문제 정의
트랜지션 그래프(Transaction-graph) 기반의 이상 탐지, 특히 자금 세탁 방지(AML) 분야는 고품질 레이블 데이터의 부족으로 인해 막대한 비용이 드는 전문가 조사가 필요하다는 중대한 과제에 직면해 있다. 약지도 학습 방법들은 전문가가 정의한 규칙이나 휴리스틱 레이블을 활용하여 레이블이 없는 데이터에 대한 의사 레이블(pseudo-labels)을 생성하려고 시도하지만, 기존 방식들은 다음과 같은 세 가지 근본적인 한계를 갖는다:

1. 계층적 구조의 손실: 규칙들이 종종 평면적인 레이블링 함수로 축소되어, 관련 행동 패턴을 정의하는 계층적 결정 경로와 공유된 조건들을 무시한다.
2. 의미론적 불일치(Semantic Mismatch): 기호적이고 이산적인 규칙 표현과 연속적인 데이터 기반 트랜지션 임베딩 사이에는 간극이 존재하며, 이는 신뢰할 수 있는 지식 전이를 어렵게 만든다.
3. 노이즈 전파: 제한적이고 불균형한 레이블 샘플로부터 생성된 의사 레이블은 본질적으로 불확실성을 내포한다. 이를 강한 지도 학습(hard supervision)으로 취급하면 학습 과정 전반에 걸쳐 오류를 전파할 수 있다.

방법론
저자들은 규칙 기반 지식과 데이터 기반 표현 사이의 간극을 메우고 노이즈를 완화하도록 설계된 통합 약지도 프레임워크를 제안한다. 이 아키텍처는 듀얼 브랜치 설계와 3단계 학습 과정으로 구성된다:

1. 듀얼 브랜치 표현 학습:

   • 규칙 브랜치(Rule Branch): 제한된 레이블 데이터를 사용하여 의사결정 나무(Decision Tree)를 학습시킨다. 단순히 리프 노드의 예측값을 고립된 레이블로 사용하는 대신, 결정 경로를 **규칙 그래프(Rule Graph)**로 변환한다. 이 그래프에서는 트랜지션 노드와 결정 조건 노드가 공유된 순회 경로를 기반으로 연결된다. 어텐션 메커니즘을 갖춘 그래프 신경망(GNN)이 이 그래프를 인코딩하여 계층적 규칙 의미론을 포착하고 규칙 일관성이 있는 정보를 집계하며, 이를 통해 불법 및 합법 클래스에 대한 규칙 프로토타입을 생성한다.
   • 데이터 브랜치(Data Branch): 다층 퍼셉트론(MLP)을 사용하여 가공되지 않은 트랜지션 특징들을 밀집 임베딩(dense embeddings)으로 인코딩한다.

2. 교차 도메인 최적 운송(Optimal Transport, OT) 정렬:

   • 기호적 규칙 공간과 연속적 데이터 공간 사이의 의미론적 간극을 해결하기 위해, 프레임워크는 최적 운송을 채택한다.
   • OT는 엔트로피 정규화를 포함한 비용 행렬(예: 유클리드 거리)을 최소화함으로써 규칙 프로토타입(소스 분포)과 트랜지션 임베딩(타겟 분포) 사이의 소프트 대응 관계를 구축한다.
   • 결과물인 운송 계획(transport plan)은 레이블이 없는 트랜지션에 대해 이진 할당이 아닌, 확률 분포 형태의 소프트 의사 레이블을 생성한다.

3. 의사 레이블 대조 정제(Pseudo-Label Contrastive Refinement):

   • 교차 도메인 대조 학습(Cross-Domain Contrastive Learning, CCL) 목적 함수가 의사 레이블을 정제한다.
   • OT 운송 계획을 바탕으로, 특정 규칙 프로토타입과 강력하게 정렬된 고신뢰도 쌍(high-confidence pairs)은 양성 쌍(positive pairs)으로 취급하고, 불일치하는 쌍은 음성 쌍(negative pairs)으로 취급한다.
   • 대조 손실(contrastive loss)은 의미론적으로 일치하는 규칙-데이터 쌍은 임베딩 공간에서 가깝게 끌어당기고, 불일치하는 쌍은 서로 멀어지게 밀어냄으로써 결정 경계를 날카롭게 만들고 노이즈 섞인 의사 레이블의 영향을 줄인다.

전체 학습 목적 함수는 분류를 위한 교차 엔트로피 손실, 분포 정렬을 위한 OT 손실, 그리고 표현 정제를 위한 대조 손실을 결합한다.

주요 기여

• 통합 약지도 프레임워크: 계층적 규칙 지식(규칙 그래프를 통해)을 구조적으로 표현하고, 규칙 기반 및 데이터 기반 표현을 공동으로 학습하는 듀얼 브랜치 아키텍처를 도입하였다.
• 규칙-데이터 지식 전이 메커니즘: 최적 운송과 대조 학습을 결합한 새로운 메커니즘을 개발하였다. 이 접근 방식은 이질적인 표현 공간(기호적 규칙 vs. 연속적 임베딩)을 정렬하여 레이블이 없는 트랜지션에 대해 신뢰할 수 있는 소프트 의사 레이블을 생성한다.
• 실증적 검증: 4개의 벤치마크 데이터셋(Elliptic, Libra Bank, Reddit, Amazon)에 대한 광범위한 실험을 통해 프레임워크의 효과성, 견고성 및 일반화 능력을 입증하였다.

실험 결과
제안된 모델은 전통적인 머신러닝 모델(SVM, LSTM, MLP), 그래프 기반 딥러learning 방법(GCN, GIN, GAT, FraudGT), 그리고 고급 약지도 베이스라인(CPL, BWGNN)과 비교 평가되었다.

• 성능: 제안된 모델은 4개의 데이터셋 모두에서 기존의 약지도 및 지도 학습 베이스라인을 일관되적으로 능가하였다.
  • Elliptic 데이터셋(고도로 불균형한 암호화폐 트랜지션)에서, 모델은 가장 강력한 베이스라인인 BWGNN 대비 AUC-PRC를 24.7%, 상위 10% F1-score를 8.1% 개선하였다.
  • Reddit 및 Amazon 데이터셋에서, 모델은 최고의 AUC-PRC를 달성하였으며 AUC-ROC, 정밀도(precision), F1-score에서 공동 최고치를 기록하였다.
  • Libra Bank 데이터셋의 경우, 특징 중심 모델들이 직접적인 특징-레이블 연관성 덕분에 우수한 성능을 보였으나, 제안된 프레임워크 역시 경쟁력을 유지하며 완벽한 상위 10% 재현율(recall)을 달성하였다.
• 절제 연구(Ablation Studies): 실험을 통해 다음을 확인하였다:
  • 의사결정 나무를 사용하여 계층적 규칙을 생성하는 것이 무작위 또는 평면적 규칙 생성보다 우수하다.
  • 규칙 그래프에 대한 그래프 컨볼루션(특히 GCN)은 위상적 의존성을 포착하는 데 필수적이다.
  • 최적 운송 정렬은 단순한 특징 결합(concatenation)이나 평균화보다 성능이 현저히 높다.
  • OT와 대조 손실의 균형 잡힌 가중치 적용이 분포 정렬과 클래스 분리성 사이의 최적의 절충안을 제공한다.
• 시각화: Elliptic 데이터셋에 대한 t-SNE 및 코사인 유사도 분석 결과, 규칙 브랜치는 국소적 위상을 보존하고 데이터 브랜치는 차별적인 특징을 포착하는 반면, OT 가이드 융합이 이 두 공간을 효과적으로 연결하여 불법 트랜지션에 대한 더 견고한 표현을 생성함을 보여주었다.

의의 및 주장
본 논문은 현재의 약지도 이상 탐지에서 나타나는 "의미론적 간극"과 "구조적 손실"을 해결하는 데 그 주요 의의가 있다고 주장한다. 규칙의 계층적 구조를 명시적으로 모델링하고 최적 운송을 사용하여 이를 데이터 임베딩과 부드럽게 정렬함으로써, 프레임워크는 제한된 감독, 클래스 불균형 및 분포 변화 조건에서도 신뢰할 수 있는 지식 전이를 가능하게 한다. 저자들은 이러한 설계가 레이블 데이터가 부족하고 세탁 전략이 진화하는 실제 AML 시나리오에서 견고성을 향상시킨다고 단언한다. 본 연구는 규칙의 의미론을 보존하고 이질적인 공간을 정렬하는 것이 전통적인 금융 영역을 넘어 효과적인 그래프 이상 탐지를 위해 매우 중요하다는 점을 입증한다.