온라인 금융 서비스의 이용이 지속적으로 증가함에 따라 사기 행위의 발생률도 상응하여 급증하고 있습니다. 사기꾼들은 탐지 알고리즘을 우회하기 위해 끊임없이 새로운 방법을 찾아내고 있습니다. 전통적으로 사기 탐지는 거래 데이터의 특성을 기반으로 수동으로 규칙을 생성하는 규칙 기반 방법에 의존해왔습니다. 그러나 이러한 기술은 수동 규칙 생성에 의존하고 복잡한 데이터 패턴을 감지할 수 없는 능력 때문에 곧 효과성이 떨어졌습니다. 현재 금융 서비스 부문의 상당 부분은 XGBoost, Random Forest, 신경망 등의 다양한 머신 러닝 알고리즘을 사용하여 거래 데이터를 모델링하고 있습니다. 이러한 기술들은 규칙 기반 방법보다 효율적이지만, 여전히 다른 거래들 간의 상호작용과 그 관계를 포착하지 못하는 한계가 있습니다.최근에는 금융 사기 탐지를 위해 그래프 기반 기술이 도입되었습니다. 이는 그래프 신경망(GNNs)을 활용하여 거래 데이터의 이웃 정보를 집계하는 그래프 위상 구조를 활용합니다. 이전 방법보다 개선된 성능을 보였음에도 불구하고, 이러한 기술들은 사기꾼들의 진화하는 위장 전략에 대처하기 어려우며 과다 평활화로 인한 정보 손실 문제를 겪고 있습니다. 본 논문에서는 위장 탐지에 효과적이고 비슷하지 않은 노드에서 중요한 특성 정보를 보존할 수 있는 효율적인 이웃 샘플링 방법을 사용하는 새로운 알고리즘을 제안합니다. 또한, 주목 메커니즘을 활용하여 전체적인 이웃 정보를 보존하여 정보 손실을 방지하는 새로운 GNN 아키텍처를 소개합니다. 우리는 금융 데이터를 통해 우리 알고리즘이 다른 최신 그래프 알고리즘보다 우수한 성능을 발휘함을 입증하였습니다.