Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
L2IR은 그래프 사기 탐지 시 사기꾼의 위장 전술로 인해 발생하는 신호 희석 문제를 해결하기 위한 LLM 기반 프레임워크입니다. 사용자 행동과 연결 이면에 숨겨진 잠재적 의도를 파악하여 지원적 링크와 오도하는 링크를 효과적으로 구분합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기그래프 사기 탐지(Graph fraud detection)는 관계형 데이터 전반에 걸쳐 정보를 전파하고 집계하기 위해 오랫동안 그래프 신경망 (GNNs)에 의존해 왔습니다. 그러나 실제 적용 시 발생하는 결정적인 장애물은 사기꾼들이 선량한 사용자들과 수많은 연결을 위조함으로써 자신을 자주 위장한다는 점입니다. 이로 인해 이웃 집계 (neighborhood aggregation) 과정에서 사기 신호가 점진적으로 희석되어 탐지 신뢰성이 저하됩니다. 최근의 노력들은 사기 탐지를 위해 풍부한 의미론적 단서 (semantic cues)를 제공하고자 대규모 언어 모델 (LLMs)을 사용해 왔으나, 의심스러운 연결 뒤에 숨겨진 근본적인 의도는 여전히 충분히 탐구되지 않은 상태입니다. 설상가상으로, 주석이 달린 사기 샘플의 부족은 강력한 위장 (camouflage) 상황에서도 견고함을 유지하는 탐지기를 학습시키는 것을 어렵게 만듭니다. 이러한 공백을 메우기 위해, 우리는 그래프 사기 탐지를 위한 LLM 기반의 잠재적 의도 공개 (Latent Intent Revealing) 프레임워크인 L2IR을 제안합니다. 사용자 행동과 의심스러운 연결 모두에서 잠재적 의도를 밝혀냄으로써, L2IR은 가공되지 않은 행동 흔적 (behavioral traces)으로부터 의도 인지 표현 (intent-aware representations)을 추출하고 개별 연결 뒤에 숨겨진 실제 목적에 대해 추론하여, 지원적인 링크 (supportive links)와 오도하는 링크 (misleading ones)를 효과적으로 구별합니다. 나아가 제한된 감독 하에서의 견고함을 강화하기 위해 적응형 자기 학습 (adaptive self-training)을 통합합니다. 광범위한 위장이 특징인 두 개의 실제 데이터셋에 대한 평가 결과, L2IR은 강력한 베이스라인 모델들을 능가하며 다양한 GNN 기반 탐지기의 플러그인 강화 도구로 기능하여 AUPRC를 최대 8.27%까지 향상시킬 수 있음을 입증했습니다.