신용카드 사기 탐지 성능 향상: 최적화된 설명 가능 부스팅 머신의 적용

초록

본 연구는 심각한 클래스 불균형 문제를 내포한 신용카드 사기 탐지의 핵심 과제를 해결하기 위해, 설명 가능 부스팅 머신(EBM)을 최적화한 새로운 워크플로우를 제안합니다. 기존의 표본 추출 기법을 배제하고, 태구치 방법을 활용한 데이터 스케일러 순서와 하이퍼파라미터 최적화를 통해 모델을 강화했습니다. 그 결과, 0.983의 ROC-AUC 점수를 달성하여 기존 EBM 기준선과 다른 머신러닝 모델들을 능가하는 동시에, 높은 예측 정확도와 모델 해석 가능성 사이의 균형을 성공적으로 이루었습니다.

상세 분석

본 논문의 기술적 핵심은 ‘해석 가능성’과 ‘불균형 데이터 처리’라는 두 가지 난제에 대한 실용적인 해법을 제시한 데 있습니다. 첫째, 저자들은 블랙박스 모델의 한계를 극복하기 위해 GA²M 알고리즘 기반의 Explainable Boosting Machine(EBM)을 선택했습니다. EBM은 개별 특성의 영향력과 상호작용 효과를 가시화하는 추가적 모델을 생성함으로써, 예측 결과에 대한 명확한 근거를 제공합니다. 이는 금융 분야처럼 결정에 대한 책임과 투명성이 요구되는 영역에서 매우 중요한 장점입니다.

둘째, 클래스 불균형 문제를 해결하는 접근법이 독창적입니다. SMOTE나 언더샘플링 등 기존 리샘플링 기법이 가져올 수 있는 편향(bias) 또는 정보 손실을 우려하여, 이러한 방법들을 의도적으로 배제했습니다. 대신, 모델 자체의 성능을 극대화하는 데 초점을 맞췄습니다. 이를 위해 실험계획법의 일종인 태구치(Taguchi) 방법을 도입했습니다. 이 방법은 데이터 전처리 단계에서 여러 스케일러(예: 정규화, 표준화)의 적용 순서와 EBM의 핵심 하이퍼파라미터(예: 학습률, 트리 깊이)를 동시에 최적화하는 체계적인 프레임워크를 제공합니다. 태구치 방법은 최소한의 실험 횟수로 최적 조합을 찾을 수 있어 계산 효율성과 재현 가능한 결과 도출에 기여했습니다.

셋째, 상관관계 분석에 Chatterjee’s ξ 계수를 활용한 점이 주목할 만합니다. 피어슨, 스피어만 상관계수가 선형 또는 단조 관계만을 포착하는 데 반해, ξ 계수는 비단조적이고 복잡한 함수적 관계까지 탐지할 수 있습니다. 이를 통해 V21과 V22 사이의 상관관계 등 기존 방법으로는 발견하기 어려운 패턴을 식별했으며, 이는 특징 공학 및 모델 해석에 유용한 통찰로 이어질 수 있습니다.

종합하면, 이 연구는 단순히 정확도를 높이는 것을 넘어, 실무에서 요구되는 ‘신뢰할 수 있는 AI’의 조건인 정확성, 강건성, 해석 가능성을 종합적으로 만족시키는 방법론을 체계적으로 제안했다는 점에서 높은 가치가 있습니다.