반감독형 크레딧 카드 사기 탐지: 속성 기반 그래프 표현을 통한 접근

신용카드 사기는 카드 소지자와 발행 은행 모두에게 상당한 비용을 초래합니다. 현대적인 방법은 라벨링된 거래 기록에서 부정 행위를 감지하기 위해 기계 학습 기반 분류기를 적용합니다. 그러나 라벨링된 데이터는 비싼 라벨링 비용 때문에 수십억 건의 실제 거래 중 매우 작은 비율을 차지하므로, 이는 라벨링되지 않은 데이터에서 많은 자연스러운 특성을 충분히 활용하지 못함을 의미합니다. 따라서, 우리는 부정 행위 탐지를 위한 반지도 그래프 신경망(Semi-supervised Graph Neural Network)을 제안합니다. 구체적으로, 거래 기록을 활용하여 시간적 거래 그래프(Temporal Transaction Graph)를 구성하는데, 이 그래프는 시간적 거래(노드)와 그들 사이의 상호작용(엣지)으로 이루어집니다. 그런 다음, 게이트된 시간적 주의 네트워크(Gated Temporal Attention Network, GTAN)를 통해 노드 간에 메시지를 전달하여 거래 표현을 학습합니다. 또한, 우리는 거래 간의 위험 전파를 통해 부정 패턴을 모델링합니다. 본 연구에서는 실제 거래 데이터셋과 두 개의 공개 부정 행위 탐지 데이터셋에서 광범위한 실험을 수행했습니다. 실험 결과, 우리가 제안한 방법인 GTAN이 세 가지 부정 행위 탐지 데이터셋에서 다른 최신 베이스라인보다 우수한 성능을 보임을 확인할 수 있었습니다. 반지도 실험은 매우 적은 양의 라벨링된 데이터로도 우리의 모델이 탁월한 부정 행위 탐지 성능을 발휘함을 입증하였습니다.