[논문 리뷰] A Time Attention based Fraud Transaction Detection Framework

Longfei Li, Ziqi Liu외 4명|arXiv (Cornell University)|2019. 12. 26.

Imbalanced Data Classification Techniques참고 문헌 27인용 수 9

한 줄 요약

이 논문은 사용자 거래 시퀀스의 시간 패턴을 시간 간격(예: 지속 시간, 사각거름 간격)과 사용자 정적 프로필을 함께 임bedding하는 시간 주의사용 기반 순환 신경망 프레임워크를 제안한다. 이 방법은 특히 상위 백분율에서의 재현율(RATP)에서 최신 기술을 초월하여 GBDT보다 7% 향상시키며, RATP@0.05 및 RATP@0.01 지표에서 새로운 SOTA 성능을 달성한다.

ABSTRACT

With online payment platforms being ubiquitous and important, fraud transaction detection has become the key for such platforms, to ensure user account safety and platform security. In this work, we present a novel method for detecting fraud transactions by leveraging patterns from both users' static profiles and users' dynamic behaviors in a unified framework. To address and explore the information of users' behaviors in continuous time spaces, we propose to use \emph{time attention based recurrent layers} to embed the detailed information of the time interval, such as the durations of specific actions, time differences between different actions and sequential behavior patterns,etc., in the same latent space. We further combine the learned embeddings and users' static profiles altogether in a unified framework. Extensive experiments validate the effectiveness of our proposed methods over state-of-the-art methods on various evaluation metrics, especially on \emph{recall at top percent} which is an important metric for measuring the balance between service experiences and risk of potential losses.

연구 동기 및 목표

• 정적 사용자 프로필과 시간 해상도를 갖춘 동적 행동 시퀀스를 모델링하여 사기 거래 탐지 성능을 향상시키기 위해.
• 기존 RNN 모델이 상세한 시간 간격 정보(예: 사고 간 지속 시간, 시간 패턴의 규칙성 등)를 忽시하는 한계를 해결하기 위해.
• 사기 탐지 민감도와 사용자 경험 간 균형을 이루는 데 중요한 지표인 상위 백분율에서의 재현율(RATP) 향상을 위해.
• 시간 인식 임베딩과 사용자 프로필 특징을 통합하여 엔드 투 엔드 학습이 가능한 통합 프레임워크를 개발하기 위해.
• 알리페이에서의 실세계 구현을 통해 방법의 효과성, 강건성 및 확장성을 입증하기 위해.

제안 방법

• RNN의 은닉 상태 계산에 시간 간격 정보(예: 지속 시간, 간격)를 통합하는 시간 주의사용 기반 순환 레이어를 제안한다.
• 순차적 거래 간 시간 거리에 따라 세포 상태를 동적으로 조절하는 시간 게이트 메커니즘을 도입한다.
• 학습된 시간 임베딩을 사용하여 사고 간 시간 간격을 표현함으로써, 정상적이고 이상적인 시간 패턴을 구분할 수 있도록 한다.
• 사용자 정적 프로필(예: 인구통계학적 정보, 평균 지출)과 시간 인식 시퀀스 임베딩을 공동 표현 공간에 통합한다.
• 시간 임bedded 시퀀스에 대해 다중 헤드 주의 메커니즘을 적용하여 시간 의존적 행동 패턴의 핵심 요소에 집중한다.
• 클래스 불균형 처리를 고려한 교차 엔트로피 손실을 사용하여 엔드 투 엔드 모델을 훈련시키며, 예측 상위 백분율에서의 높은 재현율을 최적화한다.

실험 결과

연구 질문

• RQ1 사용자 간 지속 시간과 같은 상세한 시간 간격을 모델링하면 기존 표준 RNN 대비 사기 탐지 성능 향상이 가능한가?
• RQ2 시간 인식 주의사용 기반 모델링과 사용자 정적 프로필의 통합이 상위 백분율에서의 재현율(RATP)에 어떤 영향을 미치는가?
• RQ3 제안된 시간 주의사용 메커니즘은 PLSTM 및 TLSTM와 같은 기존의 시간 인식 RNN 변종보다 수렴 속도가 더 빠르고 일반화 성능이 뛰어나게 되는가?
• RQ4 은닉 유닛 수와 시간 임베딩 차원 등의 하이퍼파라미터가 모델 성능에 얼마나 영향을 미치는가?
• RQ5 이 프레임워크는 알리페이와 같은 대규모 실세계 결제 시스템에서 뛰어난 성능을 달성할 수 있는가?

주요 결과

• 제안된 방법은 RATP@0.05에서 0.864를 기록하여, 수작업 특징을 사용하는 GBDT 대비 7% 향상된 성능을 달성한다.
• GRU와 Bi-LSTM에 시간 주의사용 기반 모델을 적용한 경우 PLSTM 및 TLSTM를 능가함으로써, 주의 기반 시간 모델링이 내부 게이팅 메커니즘보다 더 효과적임을 입증한다.
• 기본 RNN 모델 대비 수렴 속도가 더 빠르며, 특히 시간 주의사용 기반 LSTM 버전에서 가장 빠른 수렴 속도를 보였다.
• 최적의 성능는 시간 임베딩 차원이 32일 때 달성되며, 더 큰 차원은 특징 공간의 희소성로 인해 성능 저하를 초래한다.
• 은닉 유닛 수를 256 이상으로 늘여도 수익의 감소가 나타나므로, 256은 실용적이고 효율적인 설정임을 시사한다.
• RATP@0.05 및 RATP@0.01 모두에서 SOTA 성능을 달성하여, 희귀 사기 사례를 최소한의 오진수로 효과적으로 탐지할 수 있음을 확인한다.