RISS 검색 - 국내학술지논문 상세보기

다국어 초록 (Multilingual Abstract)

Delinquency fraud in which users intentionally overdue their loans to financial companies causes enormous damage to financial companies. In particular, new types of frauds such as full repaying of existing loans, unpaid rehabilitation, and first-time delinquency distort creditworthiness reduce the possibility of loans to normal loan users and cause enormous damage to investors. However, it is difficult to detect with the existing machine learning-based models due to very few fraud samples and low similarity between fraud samples. In this study, we focus on the fact that the target frauds are very few, which account only for 0.1% of the total datasets. Our study is the first research effort for a fraud detection methodology using semi-supervised anomaly detection methodology that uses labeled fraud samples and unlabeled potential fraud samples. In the study, we use Recall-BEP as an evaluation metric focusing more on accurately detecting frauds than on accurately classifying normal samples. Through the experiments, we show that the proposed semi-supervised based fraud detection methodology outperforms the existing comparison model based on the supervised learning. In particular, DevNet improves Recall-BEP by 17.39% compared to the comparison model. This study shows the effectiveness of utilizing potential unlabeled fraud samples to detect new types of frauds than using only labeled fraud samples

국문 초록 (Abstract)

금융기업에 대한 이용자의 의도적인 대출 이후 연체하는 유형의 연체 사기는 기업에 막대한 손해를 끼친다. 특히 통대환 및 신종사기인 무연체회생, 초회차 연체는 신용도를 왜곡시켜 정상...

금융기업에 대한 이용자의 의도적인 대출 이후 연체하는 유형의 연체 사기는 기업에 막대한 손해를 끼친다. 특히 통대환 및 신종사기인 무연체회생, 초회차 연체는 신용도를 왜곡시켜 정상적인 대출 이용자들에 대한 대출 가능성을 낮추고 투자자들에게 막대한 손해를 끼치지만, 탐지된 횟수가 극소수이며 사기 데이터 간에 적은 유사성으로 인해 기존의 머신러닝 모델로는 탐지하기 어렵다는 문제가 있다. 본 연구에서는 탐지하는 대상이 전체에서 0.1% 수준의 극소수 신종 유형 사기 탐지를 목표로하여, 라벨링된 사기 데이터와 라벨링되지 않은 사기 데이터를 같이 학습에 이용하는 준지도 이상 탐지 기반 사기 탐지 방법을 최초로 제안하였다. 본 연구에서는 정상 샘플을 정확히 분류하는 것보다 사기를 정확히 탐지하는 것에 더 중점을 두는 평가 방식인 Recall-BEP를 정의하여 사용한다. 실험 결과, 준지도 이상치 탐지 기반 방법론은 라벨링된 이상치 데이터를 활용하여 학습하는 기존 모델에 비해 전반적으로 좋은 성능을 보였고, 특히 DevNet 기반 방법론은 Recall-BEP를 기준으로 기존 모델에 비해 17.39%까지 향상되었다. 이를 통해 극소수의 라벨링 데이터를 가지는 신종 유형 사기를 탐지하기 위해서, 라벨링된 사기 샘플만을 사용하기 보다 라벨링되지 않은 샘플을 추가로 활용하는 방법론의 효용성을 보였다.

참고문헌 (Reference)

1 위충기 ; 김형중 ; 이상진, "소셜 네트워크 분석 기반의 금융회사 불법대출 이상징후 탐지기법에 관한 연구" 한국정보보호학회 22 (22): 851-868, 2012

2 Li, P, "Very sparse random projections" 287-296, 2006

3 Xu, B, "Towards consumer loan fraud detection: Graph neural networks with role-constrained conditional random field" 35 (35): 4537-4545, 2021

4 Pang, G, "Toward Deep Supervised Anomaly Detection Reinforcement Learning from Partially Labeled Anomaly Data"

5 Hinton, G. E, "Reducing the dimensionality of data with neural networks" 313 (313): 504-507, 2006

6 Mok, M. S, "Random effects logistic regression model for anomaly detection" 37 (37): 7162-7166, 2010

7 Snell, J, "Prototypical networks for few-shot learning" 30 : 2017

8 Ajah, I, "Loan fraud detection and IT-based combat strategies" 16 (16): 1-13, 1970

9 Pang, G, "Learning representations of ultrahigh-dimensional data for random distance-based outlier detection" 2041-2050, 2018

10 Liu, F. T, "Isolation-based anomaly detection" 6 (6): 1-39, 2012