악의적인 행위자들이 차트 순위와 로열티 지급을 조작하기 위해 스트리밍 횟수를 인위적으로 부풀리는 음악 스트리밍 사기는 스트리밍 서비스와 정당한 콘텐츠 제작자들에게 큰 위협이 되고 있습니다. 전통적인 사기 탐지 (Fraud detection) 방식은 중요한 과제에 직면해 있습니다. 즉, 슈퍼 팬(super-fans)이나 수면용 음악 재생 세션과 같은 많은 정당한 예외 사례들이 조직적인 사기 행위와 매우 유사한 활동 패턴을 보인다는 점입니다. 본 논문에서는 라벨이 없는 데이터 (unlabeled data)로부터 신뢰할 수 있는 부정 사례 (negative)를 식별하기 위해, SimHash 기반의 층화 추출 (stratified sampling)과 모듈형 게이팅 앙상블 (gating ensemble)을 결합한 새로운 반사실적 인지 부정 사례 수집 (counterfactual-aware negative harvesting) 방식인 SAGE를 제안합니다. 우리의 앙상블 아키텍처는 플러그인 방식의 통계적 게이트 (현재 Mahalanobis distance 및 k-NN density로 구현됨)를 채택하며, 구성 가능한 투표 임계값 (voting thresholds)을 통해 적응형 정밀도-재현율 (precision-recall) 트레이드오프를 가능하게 합니다. 이는 하한선이 제한된 샘플링 (floor-constrained sampling)을 통해 희귀한 행동 집단 (behavioral cohorts)에 대한 포괄적인 커버리지를 보장함으로써, 양의 데이터-미라벨 데이터 학습 (Positive-Unlabeled learning)에서의 표현 편향 (representation bias) 문제를 해결합니다. 평가 결과, 홀드아웃 데이터 (held-out data)에서 강력한 정밀도 (precision)와 재현율 (recall)을 입증하였습니다. 이 방식은 핵심 방법론의 수정 없이도 고객 수준 및 아티스트 수준의 사기 모두에서 강력한 성능을 달성하며, 사기 탐지 도메인 전반에 걸쳐 일반화될 수 있습니다.