이상거래탐지를 위해 GAN 을 사용한 효율적인 도메인 적응 방법

Abstract

본 논문에서는 이상거래 탐지를 위한 효율적인 도메인 적응방법 을 제안한다 제안하는 방법은 공통 특성이 두 도메인 사이에서 이동될 때 발생하는 편차 Domain Shift) 를 최소화하기 위해 특성맵 (Feature map) 과 GAN(Generative Adversarial Network) 에서 사용되는 차별적 Discriminative) 특성을 사용한다 본 논문에서 제안하는 모델을 평가하기 위해 사용한 데이터셋 신용카드사기 데이터셋과 금융거래사기 데이터셋 모두 클래스의 분포 불균형 문제를 가지고 있어 이를 해결하고 클래스 불균형 정도에 따라 달라질 수 있는 탐지 정확도를 높이기 위하여 GAN 과 SMOTE(Synthetic Minority Oversampling Technique) 를 활용한 소수 클래스 Minority Class) 데이터 증강기법 Data Augmentation, Oversampling) 을 적용하여 새로운 데이터 샘플들을 생성하였다 이후 제안하는 도메인 적응 모델의 분류 성능을 비교 평가하기 위해서 머신러닝 기법 중 하나인 SVM(Support Vector Machine) 과 딥러닝 기법 중 하나인 CNN(Convolutional Neural Network) 을 사용하였으며 분류성능평가지표를 통해 결과를 비교하였다 그 결과 본 논문에서 제안하는 도메인 적응 모델은 SVM 이나 CNN 을 사용한 분류모델에 비해 성능은 어느 정도 차이를 보이지만 상대적으로 학습을 위해 소요되는 시간을 줄임으로써 두 실험 데이터 모두에 적용 가능함을 보였다 SVM 은 CNN과 제안하는 도메인 적응 모델보다 탐지 성능은 좋지만, 데이터가 증가함에 따라 학습시간이 다른 두 모델에 비해 급격히 증가하는 결과를 보였으며, CNN을 사용한 모델의 탐지성능은 제안하는 도메인 적응 기법 모델과 비슷하나 , 학습시간이 더 소요하는 결과를 보였다 또한 두 도메인 데이터셋의 클래스 불균형 문제를 해결하기 위해 사용한 GAN 은 SMOTE 보다 좀 더 많은 시간이 소요되지만 더 좋은 분류성능을 보였으며 클래스 불균형 문제를 가진 데이터셋에 효과적임을 확인하였다.