Earticle

초록

한국어

최근 급격히 증가하고 있는 금융 사기 거래는 막대한 경제적 손실을 일으키며, 사기를 방지하기 위해 사용되는 데이터는 정상 대비 극도로 적은 이상거래로 인해 효과적인 탐지가 어려운 불균형 데이터 문제가 화두 되고 있다. 본 연구는 이러한 불균형한 데이터특성의 한계를 극복하기 위해 VAE-GAN(Variational Autoencoder–Generative Adversarial Network) 과 Semi-Hard Example Mining(이하 SHEM) 기법을 결합하여, 이상거래 데이터의 품질을 유지하면서 실제로 이상거래이지만 정상 거래로 판단하는 거짓 음성(False Negative, 이하 FN)을 줄이는 모델을 제안한다. 먼저, VAE-GAN을 통해 실제 거래와 유사한 소수 클래스 합성 데이터를 생성하고, Semi-Hard Negative Mining으로 분류기가 헷갈리기 쉬운 사례를 집중적으로 재 생성한다. 이를 신용카드 사기 데이터셋에 적용한 결과, 기존 보간 기반 오버샘플링 기법(SMOTE, Borderline-SMOTE, ADASYN)과 기존 VAE-GAN 증강 대비 Precision, Recall, F1, F2 Score 등 주요 지표가 전반적으로 향상됨을 확인하였다. 본 연구는 금융권 FDS(Fraud Detection System)에서 불균형 데이터 문제를 완화하고 탐지 성능을 극대화하는 데 기여할 것으로 기대한다.

목차

Abstract
Introduction
Related Works
2.1 이상거래 탐지 시스템(FDS)의 개념 및 동향
2.2 불균형 데이터(Imbalanced Data) 문제
2.3 기존 불균형 데이터 해결책
2.4 Semi- Hard Example Mining(SHEM) 기법
Methods
3.1 데이터셋 소개 및 전처리
3.2 기존 증강 기법 구현
3.3 제안 기법: VAE-GAN + Semi-Hard Example Mining
3.4 모델 학습 및 평가 절차
Results
4.1 모델별 성능 비교
4.2 Semi-Hard Example Mining 효과
4.3 XGBoost의 설명 가능성
Conclusion and Implications
5.1 연구 결과 요약
5.2 학술적 시사점
5.3 실무적 시사점
5.4 한계점 및 개선 방향
References

키워드

저자

• 강경태 [ 동아대학교 경영정보학과 ]
• 조용복 [ 동아대학교 경영정보학과 ]

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  한국경영정보학회 정기 학술대회 [KMIS Conference]

• 간기

  반년간

• 수록기간

  1990~2025

• 십진분류

  KDC 325 DDC 658