Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
희소하고 불균형한 데이터 환경에서 그래프 기반 사기 탐지 성능을 높이기 위한 ADC-GNN 프레임워크를 제안합니다. 확산 가이드 특징 증강과 대조 학습을 결합하여 오버스무딩과 표현 희석 문제를 해결합니다.
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 기반 사기 탐지(Graph-based fraud detection)는 대규모 트랜잭션 시스템을 보호하는 데 필수적이며, 탐지되지 않은 이상 징후는 상당한 금융 손실과 보안 리스크로 이어질 수 있습니다. 실제 환경의 사기 그래프는 두 가지 결합된 과제를 안고 있습니다. 하나는 검증된 사기 레이블이 부족하고 정상 계정 쪽으로 심하게 치우쳐 있는 희소하고 불균형한 감독(sparse and imbalanced supervision) 문제이며, 다른 하나는 공간적 메시지 패싱(spatial message passing)이 위장된 이상치를 과도하게 매끄럽게 만드는 오버스무딩(oversmoothing) 현상과 스펙트럼 필터(spectral filters)가 사기와 관련된 중·고주파 불규칙성을 억제할 수 있는 표현 희석(representation dilution) 문제입니다. 이러한 과제를 해결하기 위해, 우리는 소수 샷 그래프 사기 탐지를 위한 통합 프레임워크인 ADC-GNN(Attention-guided Diffusion-Contrastive Graph Neural Network, 어텐션 가이드 확산-대조 그래프 신경망)을 제안합니다. 이 프레임워크는 확산 가이드 특징 증강(diffusion-guided feature augmentation), 대조 표현 학습(contrastive representation learning), 그리고 멀티 홉 스펙트럼 어텐션(multi-hop spectral attention)을 결합합니다. 확산(diffusion) 구성 요소는 전체 토폴로지 생성형 그래프 확산 모델(topology-generative graph diffusion model)이 아닌, 특징 공간 디노이징 증강(feature-space denoising augmentation) 메커니즘으로 공식화됩니다. 즉, 코사인 스케줄(cosine schedule) 하에서 노이즈가 섭동된 노드 특징 뷰(node-feature views)를 구축하고, 대조 학습(contrastive learning)을 사용하여 섭동 전반에 걸쳐 노드 표현을 안정화합니다. 스펙트럼 어텐션 모듈은 사기와 관련된 홉 레벨(hop-level) 및 관계 레벨(relation-level) 단서를 적응적으로 강조합니다. 우리는 주로 세 가지 공개 벤치마크에서 ADC-GNN을 평가하였으며, 추가적으로 약 60,000개의 기록을 포함하는 자체 보유 실제 통신 트랜잭션 데이터셋을 비공개 사례 연구로 보고합니다. 1% 학습 설정 하에서, ADC-GNN은 공개 벤치마크의 기존 그래프 사기 베이스라인 및 프로토콜이 일치하는 최근의 네 가지 그래프 이상/사기 베이스라인에 비해 일관된 성능 향상을 달성했습니다. 분할 안정성(split stability), 학습 비율, 오버샘플링 대안, 모듈 수준의 절제 연구(ablations), 확산 스케줄, 그리고 실행 시간 및 메모리 소비 비교에 대한 추가 분석을 통해 ADC-GNN의 효과적인 작동 영역을 더욱 구체화합니다.