earticle

한국어

인공지능이 다루기 어려운 개념에서 아주 익숙한 도 구로 자리매김 하고 있다. 이와 더불어 금융권에서도 인공지능 기술을 도입하여 기존 시스템의 문제점을 개선하고자 하는 추세이며, 그 대표적인 예가 이상거 래탐지 시스템(Fraud Detection System, FDS)이다. 결제 수단의 다양화 및 전자금융거래의 증가에 따라 치밀 해져 가는 사이버 금융 사기(Fraud)를 기존의 규칙기 반 FDS로는 탐지하기 어려워지고 있다. 이를 극복하 기 위해 딥러닝 기술을 적용하여 이상거래 탐지율을 향상시키고, 이상행위에 즉각 대응하며, 탐지 결과의 반영을 자동화하고자 하는 시도가 이루어지고 있다. 딥러닝 FDS 구축에서 핵심 문제는 데이터 불균형과 이상거래 패턴의 변동이다. 본 논문에서는 생성적 적 대 신경망(Generative Adversarial Network, GAN)을 활용 한 오버샘플링 기법을 통해 데이터 불균형 문제를 개선하고, 이상거래 분류기로써 심층 신경망(Deep Neural Network, DNN)과 합성곱 신경망(Convolutional Neural Network, CNN)을 적용하여 이러한 문제를 개선 하고자 하였다. 실험 결과, GAN 오버샘플링이 이상거 래 데이터의 불균형 문제를 개선하는데 효과를 보였 으며, WGAN이 가장 높은 개선 효과가 있음을 확인하 였다. 또한 제안 FDS 모형의 AUC가 0.9857로 랜덤포 레스트 FDS 모형에 비해 약 6.5% 향상되어, 딥러닝 이 이상거래 탐지에 뛰어난 성능을 가짐을 입증하였 다. 더불어 딥러닝 모형 중 DNN은 CNN에 비해 오버 샘플링의 효과를 더 잘 반영함을 확인하였다.