결제 네트워크 (Payment networks)에서의 사기 탐지 (Fraud detection)는 이질적이고 불완전한 관찰 프로세스 (Observation processes)를 통해 생성된 레이블 (Labels)에 의존하지만, 기존의 접근 방식들은 사기를 동질적인 이진 변수 (Homogeneous binary variable)로 취급합니다. 우리는 이러한 가정이 구조적으로 잘못되었으며 증명 가능한 비효율성을 초래한다는 것을 보여줍니다. 우리는 사기를 다섯 가지 클래스로 분할하는 관찰 메커니즘 분류 체계 (Observation-mechanism taxonomy)를 도입하며, 각 클래스는 별개의 검열 (Censorship) 및 레이블링 파이프라인 (Labeling pipeline)에 의해 정의됩니다. 우리는 클래스별로 사기율을 별도로 추정하고 이를 합산하는 것이 통합 추정 (Pooled estimation)보다 엄격하게 우월함을 증명하며, 이 효율성 격차는 이질적인 관찰율 (Observation rates)에서 발생하는 젠슨 페널티 (Jensen penalty)로 특징지어집니다. 각 클래스에 대해 우리는 내생적 레이블 오염 (Endogenous label corruption), 구조적 비관찰성 (Structural non-observability), 그리고 특징 비정보성 (Feature non-informativeness)을 포함하여 탐지에 대한 구속적인 이론적 제약 조건을 도출합니다. 이러한 결과는 사기 탐지가 근본적으로 각기 다른 관찰 구조와 탐지 한계에 의해 지배되는 별개의 추정 문제들의 집합임을 입증합니다.