Improving Credit Card Fraud Detection Using Ensemble Machine Learning Techniques

디지털 탐정과 건더기 속의 바늘

당신이 매초 수백만 명의 사람들이 커피를 사고, 월세를 내고, 피자를 주문하는 거대하고 북적이는 도시를 걷고 있다고 상상해 보세요. 이 도시에는 지갑을 훔치려는 소매치기들이 있지만, 그들은 매우 드뭅니다. 아마도 정직한 쇼핑객 100명당 단 2~3명 정도일 것입니다. 만약 당신이 이 도둑들을 찾아내는 것만을 업무로 하는 보안 요원을 고용한다면, 그들은 통계적으로 거의 항상 옳기 때문에 "아무도 훔치고 있지 않습니다!"라고 말하는 데 아주 능숙해질 수도 있습니다. 하지만 그것은 보안 요원으로서 나쁜 직업입니다! 만약 그들이 단 한 명의 도둑이라도 놓친다면, 그 결과는 엄청나기 때문입니다. 이것이 바로 온라인 신용카드 회사들이 매일 겪는 악몽입니다. 그들은 완벽하게 정상적인 거래라는 거대한 산더미 속에서 숨어 있는 작고 교활한 사기꾼들을 찾아내야 합니다.

이를 해결하기 위해 과학자들은 **머신러닝(Machine Learning)**이라는 것을 사용합니다. 이것을 역사를 읽으며 학습하는 초스마트 로봇이라고 생각해보세요. 로봇은 수천 건의 과거 거래를 살펴보며 무엇이 "정상적인" 소비이고 무엇이 "의심스러운" 소비인지 파악합니다. 하지만 함정이 있습니다. 사기 사례가 너무 적기 때문에 로봇이 혼란에 빠질 수 있다는 점입니다. 이는 로봇에게 사자 사진을 딱 한 번 보여주면서 백만 장의 고양이 사진을 보여주는 것과 같습니다. 로봇은 그저 "오, 모든 것이 고양이구나!"라고 생각할 것입니다. 이를 해결하기 위해 연구자들은 **생성적 적대 신경망(Generative Adversarial Networks, GANs)**이라는 영리한 기술을 사용합니다. GAN을 위조 전문가와 탐정 전문가가 함께 협력하는 것으로 생각할 수 있습니다. 위조 전문가는 탐정을 속일 수 있을 정도로 실제처럼 보이는 가짜 "사자" 사진을 만들려고 노력하고, 탐정은 그 가짜를 찾아내는 데 점점 더 능숙해집니다. 이 과정이 끝나면, 탐정은 진짜 사자를 인식할 수 있을 만큼 충분히 많은 "사자"를 보게 됩니다. 이 논문은 이러한 디지털 위조 전문가와 탐정을 사용하여 신용카드 도둑을 더 빠르고 똑똑하게 잡는 방법을 탐구합니다.

---

논문의 핵심 아이디어: 로봇에게 바늘을 찾는 법 가르치기

이 연구에서 모로코 카디 아야드 대학교(Cadi Adyad University)의 연구팀은 더 나은 디지털 보안 요원을 구축하기로 결정했습니다. 그들은 "위조 기술"(GANs)을 다양한 머신러닝 로봇 팀(앙상블 학습, Ensemble Learning)과 결합하여 실시간으로 신용카드 사기를 잡아낼 수 있는지 확인하고 싶었습니다. 그들은 단순히 정확한 로봇을 원하는 것이 아니라, 거래가 완료되기도 전에 도둑을 막을 수 있을 만큼 빠른 로봇을 원했습니다.

연구진은 AirportRental이라는 웹사이트의 실제 데이터셋으로 시작했습니다. 여기에는 76,900건의 거래가 포함되어 있었지만, 문제는 이것이었습니다. 그중 실제 사기 거래는 단 1,922건(약 2.5%)뿐이었습니다. 이는 바늘이 아주 적은 거대한 건더기였습니다.

먼저, 그들은 이 불균형하고 지저분한 데이터로 로봇을 가르치려 했습니다. 예상대로, 로봇들은 다수 클래스(정상 거래)를 우선시했습니다. 그들은 "이것은 정상적인 거래입니다"라고 말하는 데 너무 능숙해서 대부분의 사기를 놓쳤습니다. 하지만 그때 연구진은 GANs를 도입했습니다. 그들은 위조-탐정 팀을 사용하여 사기 거래의 합성된(가짜이지만 현실적인) 사례들을 만들어냈습니다. 그들은 이 새로운 사례들을 실제 사례들과 섞어서 데이터셋이 완벽하게 균형을 이루도록 만들었습니다: 즉, **50%**의 정상 거래와 **50%**의 사기 거래가 되도록 말이죠. 갑자기 로봇들에게 훨씬 더 좋은 학습 가이드가 생긴 것입니다.

다음으로, 그들은 어떤 탐정이 가장 뛰어난지 보기 위해 다양한 머신러닝 모델 라인업을 테스트했습니다. 그들은 다음 모델들을 시도했습니다:

• 로지스틱 회귀(Logistic Regression) 및 나이브 베이즈(Naïve Bayes) (단순하고 빠른 사고방식).
• KNN 및 SVM (더 느리고 복잡한 사고방식).
• 랜덤 포레스트(Random Forest) 및 XGBoost (함께 작동하는 강력한 의사결정자 팀).

그들은 두 가지를 측정했습니다: 얼마나 사기를 잘 잡아내는가? (이를 재현율, Recall이라고 합니다). 그리고 얼마나 빠른가? (이것은 실행 시간, Execution Time입니다).

결과: 스피디한 팀의 승리

실험 결과, "위조 기술"은 놀라운 효과를 발으로 보여주었습니다. 로봇들이 GANs로 생성된 균형 잡힌 데이터로부터 학습했을 때, 사기를 포착하는 능력은 급증했습니다. 평균적으로 그들의 재현율(나쁜 놈들을 찾아내는 능력)은 약 25 퍼센트 포인트 상승했습니다. 이는 그들이 도둑들을 놓치는 일이 줄어들었음을 의미합니다.

테스트된 모든 모델 중에서 한 팀이 명확한 챔피언으로 돋보였습니다: 바로 XGBoost였습니다.

XGBoost가 주인공이었던 이유는 다음과 같습니다:

1. 가장 정확했습니다: 균형 잡힌 데이터에서 XGBoost는 95%의 정밀도(알람을 울릴 때마다 거의 매번 옳았음)와 93%의 재현율(거의 모든 사기를 잡아냄)을 달성했습니다. 또한 99%의 AUC-ROC를 기록했는데, 이는 정상 거래와 불량 거래를 구분하는 데 거의 완벽했다는 뜻입니다.
2. 압박 속에서도 가장 빨랐습니다: 이것이 가장 흥vex한 부분입니다. 연구진은 단순히 로봇을 하나씩 테스트한 것이 아니라, 수백 건의 거래가 동시에 발생하는 북적이는 공항 렌탈 카운터를 시뮬레이션했습니다.
   • 단 1건의 거래를 처리할 때는 나이브 베이즈와 같은 단순한 모델이 0.09 밀리초만에 처리하며 가장 빨랐습니다.
   • 하지만 동시에 처리하는 거래가 30건으로 늘어나자, 단순한 모델과 복잡한 모델(KNN, SVM 등)의 속도가 급격히 느려지기 시작했습니다. KNN의 시간은 18.45 ms로 뛰었고, SVM은 21.10 ms가 걸렸습니다. 이들의 성능은 800% 이상 저하되었습니다.
   • 그러나 XGBoost는 침착함을 유지했습니다. 30건의 거래를 처리할 때도 단 2.90 밀리초밖에 걸리지 않았습니다. 성능 저하가 약 **480%**에 그쳐, 그룹 내에서 가장 높은 안정성을 보여주었습니다.

이 논문은 가장 빠른 단순 모델(나이브 베이즈 등)이 실제 시스템에서 최선의 선택이라는 생각을 명시적으로 배제합니다. 그들은 단일 작업에는 빠르지만, 바쁜 날의 혼잡한 시간대를 감당할 수는 없습니다. 또한 논문은 오래된 불균형 데이터에 의존하는 것에 대해서도 반박하며, GAN을 통한 균형 조절 없이는 최고의 모델이라 할지라도 사기를 찾는 데 어려움을 겪는다는 것을 보여줍니다.

결론

이 연구는 신용카드 사기를 잡는 최선의 방법은 GAN을 사용하여 균형 잡힌 훈련 세트를 만들고, 그 다음 XGBoost와 같은 앙상블 모델이 탐지를 수행하게 하는 것이라고 결론짓습니다. 이 조합은 두 가지 장점을 모두 제공합니다: 아주 드물고 희귀한 사기꾼을 포착하는 데 매우 뛰어난 로봇, 그리고 돈이 계좌에서 빠져나가기 전에 그들을 막을 수 있을 만큼 빠른 로봇을 갖게 해줍니다.

저자들은 이 접근 방식이 실제 금융 시스템을 위한 견고하고 확장 가능한 솔루션이라고 제안합니다. 그들은 단순히 이론적인 승리를 찾은 것이 아니라, 실제 거래 시스템의 실시간 압박을 시뮬레이션하여 XGBoost가 그 열기를 견뎌낼 수 있음을 증명했습니다. 비록 이것이 모든 사기에 대한 최종 해결책이라고 주장하지는 않지만(도둑들은 항상 수법을 바꾸기 때문입니다), 이 특정 도구의 조합이 우리의 디지털 지갑을 안전하게 지키기 위한 매우 강력하고 신뢰할 수 있으며 실용적인 진전임을 보여주었습니다.