스파이킹 신경망에서 신경 공동 활동 탐색을 통한 사기 탐지

스파이킹 신경망(Spiking Neural Networks, SNNs)은 실제 뇌의 행동에 영감을 받아, 전통적인 인공 신경망과 함께 신경 세포 간의 공동 활동(neural joint activity)을 반영함으로써 에너지 효율적인 대안을 제공한다. 이 공동 활동은 인공 신경망에서 출력층의 각 클래스에 하나 이상의 뉴런을 할당함으로써 인공적으로 재현된다. 본 연구는 실제 데이터셋인 은행 계좌 사기 데이터셋 세트를 활용하여, 기존 기계학습 알고리즘에 내재된 공정성 및 편향 문제를 해결하기 위해 SNN을 사기 탐지에 적용한다. 1차원 컨볼루션 스파이킹 신경망 내에서 시간 단계와 인구 규모(population size)의 다양한 구성 조건을 비교하였으며, 하이퍼파라미터는 베이지안 최적화(Bayesian optimization)를 통해 최적화하였다. 제안하는 SNN 접근법은 신경 공동 활동을 통합함으로써 기존 표준 SNN보다 사기성 계좌 개설을 더 정확하고 공정하게 분류할 수 있다. 결과적으로, 비즈니스 제약 조건으로 5%의 거짓 양성률(false positive rate)을 유지하면서도 평균 47.08%의 리콜(recall)을 달성함으로써, SNN이 인구 코드화(population coding)가 없는 기준 모델을 능가할 잠재력을 입증하였다. 또한, 제안된 방법은 그래디언트 부스팅 머신 모델과 유사한 성능을 보이며, 민감한 속성에 대한 예측 공정성(predictive equality)을 90% 이상 유지함으로써, 사기 탐지에 있어 강력한 해결책을 제시한다.