다회차 스미싱 탐지를 위한 확장된 합성 대화 데이터셋

우리의 이전 연구는 3,201개의 레이블이 지정된 대화로 구성된 합성 생성 다회차 대화 스미싱 데이터셋인 COVA를 소개하였으며, 8개의 모델에 걸쳐 베이스라인 탐지 벤치마크를 구축했습니다. TF-IDF 특징을 사용한 XGBoost가 72.5%의 정확도와 0.691의 macro F1으로 가장 좋은 성능을 달성한 반면, 트랜스포머 (Transformer) 모델들은 입력 절단 (input truncation) 및 불충분한 학습 데이터로 인해 성능이 저조했습니다. 본 연구에서는 첫 번째 반복 과정에서 발생했던 오염 (contamination), 레이블 불일치 (label mismatch), 단계 지시 유출 (stage-direction bleed), 프롬프트 설계 실패 (prompt-design failures) 문제를 해결한 개선된 생성 파이프라인을 통해 제작된, 8가지 노인 대상 사기 카테고리를 아우르는 10,985개의 대화로 확장된 데이터셋인 COVA-X를 제시합니다. 확장된 데이터셋으로 모든 분류기 (classifier)를 재학습시킨 결과, 본 연구의 핵심적인 발견을 도출했습니다: 이제 Longformer가 모든 평가 지표에서 XGBoost를 능가하여, XGBoost의 78.43% 정확도 및 0.7563 macro F1과 비교해 79.71%의 정확도와 0.7786 macro F1을 달성했습니다. 이는 트랜스포머 (Transformer) 모델이 문맥적 이점 (contextual advantages)을 실현하기 위해서는 더 큰 대화 코퍼스 (conversational corpora)가 필요함을 직접적으로 확인해 줍니다. 또한 우리는 레이블 수정률을 49.8%에서 3.9%로 12.7배 개선한 것, 가상 납치 (virtual-kidnapping) 아티팩트 (artifact) 비율을 67.1%에서 46.5%로 줄인 구조적 개입, 그리고 사기 카테고리가 메커니즘적으로 일관된 방식으로 결과에 영향을 미친다는 것을 보여주는 사기 유형별 결과 분석을 포함한 품질 라이프사이클 (quality life-cycle)을 기록했습니다. 정제 전후의 민감도 분석 (sensitivity analysis)을 통해 데이터셋 정제가 세 가지 분류기 아키텍처 (classifier architectures) 모두에서 실제 레이블 관련 신호 (label-relevant signal)를 회복함을 확인했습니다.