뇌 영감을 받은 다중뷰 하이퍼그래프 모델로 웹 금융 사기 탐지

초록

본 논문은 해마의 장면 갈등 감지와 매치‑미스매치 신경 메커니즘을 모방한 HIMVH 모델을 제안한다. 다중 뷰 하이퍼그래프를 구축하고, 교차‑뷰 불일치 인식 모듈과 신경‑가중치 하이퍼그래프 학습 모듈을 통해 장기 꼬리 데이터와 위장 사기를 효과적으로 탐지한다. 6개 실험 데이터셋에서 기존 15개 최첨단 모델 대비 AUC 6.42%, F1 9.74%, AP 39.14% 향상을 달성하였다.

상세 분석

HIMVH는 두 가지 해마 메커니즘을 그래프 학습에 직접 매핑한다. 첫 번째는 해마 CA3‑CA1 회로에서 영감을 얻은 “장면 갈등 감지”로, 서로 다른 거래 뷰(예: 송금자‑수신자, 지리적 위치, 거래 유형 등) 사이의 구조·특징·라벨 불일치를 정량화한다. 구체적으로 Jaccard 거리 기반의 구조 불일치(ID_Diff), Jensen‑Shannon 발산 기반의 특징 불일치(Feat_Diff), 그리고 라벨 엔트로피 차이(Label_Diff)를 계산해 각 노드에 다중 차원 불일치 벡터를 부여한다. 이 벡터는 이후 하이퍼그래프 메시지 전달 단계에서 가중치 조정에 활용되어, 위장 사기처럼 한 뷰에서는 정상적으로 보이지만 다른 뷰에서 드러나는 미세한 모순을 강조한다.

두 번째 메커니즘은 CA1 영역의 “매치‑미스매치 신경 신호”를 모방한 Novelty‑Aware Hypergraph Learning이다. 각 노드의 이웃 집합에서 기대되는 피처 분포를 추정하고, 실제 피처와의 편차를 KL‑divergence 형태로 측정한다. 편차가 큰 노드에 대해 메시지 전파 시 가중치를 상승시키는 adaptive re‑weighting을 적용함으로써, 장기 꼬리(rare) 사기 사례가 희소한 이웃 정보에도 불구하고 학습 과정에서 충분히 강조된다.

모델 전체 파이프라인은 (1) 다중 뷰 하이퍼그래프 구축(MTHC), (2) 교차‑뷰 불일치 인식(HCDP), (3) 신경‑가중치 하이퍼그래프 학습(CA1‑NHL), (4) 다중 뷰 융합(MHF) 순으로 진행된다. 하이퍼엣지는 시간 슬라이딩 윈도우를 이용해 동일 윈도우 내 거래들을 그룹화함으로써 고차 상호작용을 포착한다. 불일치 인식 모듈에서 생성된 불일치 벡터는 노드 임베딩에 concat 형태로 결합되어, 이후 GNN 레이어에서 메시지 전달 시 추가적인 컨텍스트 정보를 제공한다. 마지막 융합 단계에서는 각 뷰별 하이퍼그래프 출력에 attention 기반 가중치를 부여해 최종 사기 점수를 산출한다.

실험에서는 6개의 공개 웹 금융 사기 데이터셋(S‑FFSD, etc.)을 사용했으며, 평균 6.42%의 AUC, 9.74%의 F1, 39.14%의 AP 향상을 기록했다. 특히, 데이터 분포의 tail 영역에 위치한 사기 샘플에 대한 탐지율이 크게 개선되었으며, 위장 사기 시나리오(시각‑청각 모드가 일치하도록 위조된 거래)에서도 기존 GNN 기반 모델보다 월등히 높은 정밀도를 보였다. Ablation study를 통해 HCDP와 CA1‑NHL 각각이 독립적으로 성능 향상에 기여함을 확인했으며, 하이퍼파라미터 w(슬라이딩 윈도우 크기)와 view 수에 대한 민감도 분석에서도 모델의 안정성을 입증하였다.

전반적으로 HIMVH는 뇌의 고차원 인지 메커니즘을 그래프 신경망에 성공적으로 통합함으로써, 장기 꼬리 데이터와 위장 사기라는 두 가지 핵심 난제를 동시에 해결하는 새로운 패러다임을 제시한다.