딥러닝을 이용한 Fraud Detection Model 개발

Abstract

본 연구에서는 신용카드 FDM을 개발함에 있어 딥러닝을 이용한 데이터 불균형 문제의 해결 방안을 제시하고자 한다. 실제로 신용카드 FDM은 Over-Sampling과 Ensemble 모형을 사용하여 개발하는 것이 가장 성능이 좋은 것으로 알려져 있다. 하지만 Over-Sampling의 경우 상대적으로 비율이 극히 적은 소수 클래스, 즉 사고 거래건 (Fraud Transactions)로부터 복원추출을 해야 하는 어려움이 있다. 이를 해결하기 위하여 본 논문에서는 SMOTE와 같은 아이디어로 Fake Fraud Transactions을 딥러닝 모형을 사용하여 생성한 후 학습자료를 구성하였다. Fake Fraud자료의 생성을 위하여 최근 이미지 생성 및 변형에 큰 성과를 거둔 GAN (Generative Adversarial Network) 모형 중 Autoencoder에 기반한 BEGAN 모형을 사용하였다. 본 연구에서는 BEGAN모형에 의해 생성된 Fake Fraud의 반영 비율에 따른 FDM의 성능 변화를 추적하였다. 연구 결과는 딥러닝에 의한 Fake FraudData의 생성이 극단적인 데이터 불균형 문제에 대한 해결책이 될 수 있음을 보여주었다.