픽 앤 채지: 사기 탐지용 GNN 기반 불균형 학습 접근법

그래프 기반 사기 탐지 기법은 그래프 구조 데이터가 풍부한 관계 정보를 포함하고 있어 사기자 탐지에 유리할 수 있다는 점에서 최근 많은 주목을 받고 있다. 그러나 GNN 기반 알고리즘은 노드의 레이블 분포가 심하게 불균형할 경우 성능이 저하되는 경향이 있으며, 금융 사기와 같은 민감한 분야에서는 이러한 불균형이 흔히 발생한다. 그래프 기반 사기 탐지에서의 클래스 불균형 문제를 해결하기 위해, 우리는 그래프 상의 불균형한 감독 학습을 위한 '픽 앤 죠즈 그래프 신경망(Pick and Choose Graph Neural Network, PC-GNN)'을 제안한다. 먼저, 레이블 균형을 고려한 독자적인 샘플러를 사용하여 노드와 엣지를 선택하여 미니배치 학습을 위한 부분 그래프를 구성한다. 다음으로, 각 부분 그래프 내의 노드에 대해 제안한 이웃 샘플러를 통해 이웃 후보를 선택한다. 마지막으로, 선택된 이웃과 다양한 관계 정보를 종합하여 타겟 노드의 최종 표현을 생성한다. 기준 데이터셋 및 실제 세계의 그래프 기반 사기 탐지 작업을 대상으로 한 실험 결과, PC-GNN이 최신 기준 기법들을 뛰어넘는 성능을 보였음을 확인하였다.