그래프 신경망으로 고객 연락 최소화하는 신용카드 사기 탐지

초록

본 논문은 이종 그래프 구조를 활용한 Relational Graph Convolutional Network(RGCN)를 적용해 신용카드 사기 거래를 정확히 식별하고, 오탐으로 인한 고객 연락을 크게 줄이는 프레임워크를 제안한다. IBM 공개 신용카드 데이터셋(거래 2,400만 건, 사기 0.1%)을 기반으로 노드(카드·가맹점)와 엣지(거래)로 그래프를 구성하고, 관계별 가중치를 학습한다. 불균형 데이터에 대해 focal loss를 사용했으며, 99.88%의 정확도와 거의 0에 수렴하는 손실 곡선을 기록한다. 기존 규칙 기반·RNN·Random Forest 대비 관계 정보를 직접 모델링함으로써 오탐률 감소와 실시간 의사결정 효율성을 확보한다.

상세 분석

이 논문은 신용카드 사기 탐지에서 가장 큰 비용 중 하나인 ‘고객 연락’ 문제를 그래프 기반 딥러닝으로 해결하고자 한다. 기존의 규칙 기반 시스템은 사기 패턴을 정형화하기 어려워 오탐이 빈번하고, RNN은 시계열 특성에 강하지만 거래 간의 복합적인 관계(예: 동일 카드·다중 가맹점, 동일 가맹점·다중 카드)를 포착하지 못한다. 저자는 이러한 한계를 극복하기 위해 이종 그래프를 설계하고, 관계별 전파 규칙을 갖는 RGCN을 적용한다. 노드 특징은 카드‑사용자 문자열과 가맹점 문자열을 결합한 형태이며, 엣지 특징은 거래 금액·시간·MCC 등 10여 개 속성을 포함한다. RGCN의 업데이트 식(식 2)은 각 관계 r마다 별도의 가중치 행렬 W⁽ˡ⁾ʳ을 학습함으로써, “카드‑가맹점”, “카드‑시간대”, “가맹점‑지역” 등 다양한 관계를 차별적으로 반영한다. 데이터 불균형을 고려해 focal loss를 도입했으며, Adam 옵티마이저와 ReLU 활성화를 사용해 학습 안정성을 높였다. 실험 결과, 80:20 비율로 분할한 데이터에서 30 epoch 이후 손실이 거의 0에 수렴하고, 테스트 정확도가 99.88%에 달한다. 이는 기존 Random Forest나 RNN 기반 모델이 보통 90%대 초반에 머무는 것과 비교해 현저히 높은 성능이다. 다만, 논문은 모델 복잡도와 메모리 요구량에 대한 정량적 분석이 부족하고, 실제 실시간 서비스 적용 시 그래프 구축·업데이트 비용을 간과한 점이 아쉽다. 또한, IBM 데이터셋이 완전 합성 데이터이므로 실제 은행 환경에서의 일반화 가능성을 검증하기 위한 추가 실험이 필요하다. 전반적으로 관계 정보를 명시적으로 학습하는 RGCN 접근법이 사기 탐지와 고객 연락 최소화라는 두 목표를 동시에 달성할 수 있음을 설득력 있게 보여준다.