Earticle

초록

영어

To address personal information leakage risks in the financial domain, this study proposes an on-premise AI-based credit risk prediction framework isolated from external networks. Without external API calls, four algorithms (Logistic Regression, MLP, Random Forest, and XGBoost) were evaluated under strict fold-internal cross-validation that prevents information leakage across evaluation stages. Experimental results indicate that ensemble models exhibit superior discriminative power in PR-AUC (RF: 0.395, XGB: 0.394) and F1-Score, whereas MLP achieves the most stable probability calibration with a Brier Score of 0.051. Furthermore, SHAP analysis quantitatively confirms the impact of domain-engineered features (TotalLate, Utilization_log), demonstrating that explainability can be maintained even in an isolated environment.

한국어

본 연구는 금융 도메인의 개인정보 유출 위협을 해소하기 위해 외부망과 분리된 폐쇄형(on-premise) AI 모델 기반 신용리스크 예측 프레임워크를 제안한다. 외부 API 호출 없이 사내 인프라에서 학습·추론이 완결되는 네 가지 알고리즘(Logistic Regression, MLP, Random Forest, XGBoost)을 학습 정보의 평가 단계 전이를 차단한 엄격한 폴드 내부 교차 검증 하에 비교하였다. 실험 결과, 앙상블 모델은 PR-AUC(RF 0.395, XGB 0.394)와 F1-Score에서 우수한 변별력을 보였고, MLP는 Brier Score 0.051로 가장 안정적인 확률 보정 성능을 기록하였다. SHAP 분석을 통해 도메인 기반 파생 변수(TotalLate, Utilization_log)의 영향력을 정량적으로 입증하여 폐쇄형 환경에서도 설명 가능성을 확보할 수 있음을 확인하였다.

목차

요약
ABSTRACT
1. 서론
2. 이론적 배경
2.1 신용 리스크 예측 및 신용평가
2.2 Logistic Regression (기존 통계 모델)
2.3 MLP (Multi-Layer Perceptron)
2.4 Random Forest, XGBoost (앙상블 모델)
2.5 관련 연구
3. 본론
3.1 데이터셋 및 전처리
3.2 폐쇄형 모델 구현 및 평가 절차
3.3 실험 결과 및 분석
4. 결론
참고문헌

키워드

저자

• 정은수 [ Jeong Eun Su | 중부대학교 인공지능전공 학사과정 ] 주저자
• 최대수 [ Choi Dae Soo | 중부대학교 미래융합공학부 조교수 ] 교신저자

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  융합보안논문지 [Jouranl of Information and Security]

• 간기

  연5회

• pISSN

  1598-7329

• 수록기간

  2001~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 005 DDC 005