[논문 리뷰] Credit Card Fraud Detection Using Autoencoder Neural Network

Junyi Zou, Jinliang Zhang외 1명|arXiv (Cornell University)|2019. 08. 30.

Imbalanced Data Classification Techniques참고 문헌 8인용 수 16

한 줄 요약

이 논문은 크레딧 카드 사기 탐지에서 소수의 사기 거래가 많지 않은 클래스 불균형 문제를 해결하기 위해 노이즈 제거 오토인코더 신경망(DAE)을 제안한다. 이 방법은 소수의 사기 거래를 동시에 오버샘플링하고 학습 데이터를 노이즈 제거함으로써, 오버샘플링에서 유발되는 노이즈를 완화하면서도 강건한 표현을 학습함으로써 소수 클래스의 분류 정확도를 향상시킨다. 기존의 완전 연결 네트워크와 표준 DAE에 비해 성능이 뛰어나다.

ABSTRACT

Imbalanced data classification problem has always been a popular topic in the field of machine learning research. In order to balance the samples between majority and minority class. Oversampling algorithm is used to synthesize new minority class samples, but it could bring in noise. Pointing to the noise problems, this paper proposed a denoising autoencoder neural network (DAE) algorithm which can not only oversample minority class sample through misclassification cost, but it can denoise and classify the sampled dataset. Through experiments, compared with the denoising autoencoder neural network (DAE) with oversampling process and traditional fully connected neural networks, the results showed the proposed algorithm improves the classification accuracy of minority class of imbalanced datasets.

연구 동기 및 목표

• 크레딧 카드 사기 탐지에서 사기 거래가 정상 거래에 비해 훨씬 적은 경우에 발생하는 클래스 불균형 문제를 해결하기 위해.
• 소수의 사기 클래스를 균형 잡기 위해 사용되는 전통적인 오버샘플링 기법에서 발생하는 노이즈를 줄이기 위해.
• 동시에 소수 샘플을 오버샘플링하고 학습 데이터를 노이즈 제거하는 통합된 딥 러닝 프레임워크를 개발하기 위해.
• 오차 비용이 적용된 노이즈 제거 오토인코더를 사용하여 소수 클래스(사기 거래)의 분류 성능을 향상시키기 위해.
• 불균형 데이터셋에서 제안된 방법을 표준 DAE와 완전 연결 신경망과 비교하여 검증하기 위해.

제안 방법

• 제안된 방법은 소수의 사기 샘플 표현을 향상시키기 위해 오차 비용 항을 포함한 노이즈 제거 오토인코더(DAE)를 사용한다.
• 학습 중 소수 클래스에 대해 합성 오버샘플링을 적용하지만, 이를 DAE 프레임워크 내부에 통합하여 노이즈 증폭을 최소화한다.
• 모델은 손상된 입력 데이터로부터 깨끗한 입력 데이터를 재구성하도록 훈련되어, 강건하고 노이즈에 강인한 특징을 학습한다.
• 사기 사례를 잘못 분류할 경우의 벌점을 높이는 클래스 가중 손실 함수를 사용하여 모델을 정밀하게 조정한다.
• 더 나은 일반화를 위해 드롭아웃과 배치 정규화를 포함한 깊은 인코더-디코더 아키텍처를 사용한다.
• 최종 분류기는 DAE가 학습한 특징에서 유도되며, 종단 간 사기 탐지가 가능하다.

실험 결과

연구 질문

• RQ1 오차 비용이 적용된 노이즈 제거 오토인코더는 불균형 데이터셋에서 소수 클래스의 사기 거래 탐지에 효과적인가?
• RQ2 제안된 DAE 기반 방법은 표준 오버샘플링 기법과 비교해 볼 때 노이즈 감소와 분류 정확도 측면에서 어떤가?
• RQ3 DAE 프레임워크 내에서 표현 학습과 오버샘플링을 동시에 학습하는 것이 별도의 오버샘플링과 분류보다 더 나은 성능을 내는가?
• RQ4 DAE는 오버샘플링 과정에서 생성된 노이즈가 많은 합성 샘플의 영향을 어느 정도 줄이는가?
• RQ5 기존의 완전 연결 신경망에 비해 제안된 방법은 불균형 데이터에서 사기 탐지에 더 효과적인가?

주요 결과

• 제안된 DAE 방법은 기존의 완전 연결 신경망에 비해 소수 클래스(사기)의 분류 정확도가 높았다.
• 별도의 오버샘플링을 사용하는 표준 DAE보다 성능이 뛰어나, 더 강건하고 노이즈 영향이 적었다.
• DAE 프레임워크 내부에 오차 비용을 통합함으로써 모델의 사기 거래 감지 민감도가 향상되었다.
• 오토인코더의 노이즈 제거 기능이 오버샘플링 과정에서 유발된 노이즈가 많은 합성 샘플의 영향을 효과적으로 줄였다.
• F1 점수와 AUC-ROC 모두 소수 클래스에서 일관된 향상을 보였으며, 이는 더 나은 종합적인 탐지 성능을 의미한다.
• 실험 결과는 표현 학습과 오버샘플링을 동시에 최적화하는 것이 불균형 크레딧 카드 사기 데이터셋에서 뛰어난 일반화 성능을 이끌어낸다는 것을 확인했다.