[논문 리뷰] Credit Card Fraud Detection using Machine Learning: A Study

Pooja Tiwari, Simran Mehta외 3명|arXiv (Cornell University)|2021. 08. 23.

Imbalanced Data Classification Techniques참고 문헌 50인용 수 36

한 줄 요약

이 논문은 신용카드 사기 탐지를 위한 다양한 ML 방법을 폭넓게 조사하고, 데이터세트 간 장단점을 비교한다. 클래스 불균형과 데이터세트 변동성 하에서 어떤 기법이 더 잘 수행되는지 알려준다.

ABSTRACT

As the world is rapidly moving towards digitization and money transactions are becoming cashless, the use of credit cards has rapidly increased. The fraud activities associated with it have also been increasing which leads to a huge loss to the financial institutions. Therefore, we need to analyze and detect the fraudulent transaction from the non-fraudulent ones. In this paper, we present a comprehensive review of various methods used to detect credit card fraud. These methodologies include Hidden Markov Model, Decision Trees, Logistic Regression, Support Vector Machines (SVM), Genetic algorithm, Neural Networks, Random Forests, Bayesian Belief Network. A comprehensive analysis of various techniques is presented. We conclude the paper with the pros and cons of the same as stated in the respective papers.

연구 동기 및 목표

• 카드 사용이 디지털화된 경제에서 증가함에 따라 효과적인 사기 탐지의 필요성을 고취한다.
• 신용카드 사기 탐지에 사용되는 ML 기법에 대한 포괄적 조사를 제공한다.
• 각 기법의 장단점과 데이터세트 간 성능을 분석한다.
• 불균형 데이터와 데이터세트 특이성에 가장 강건한 방법에 대한 발견을 강조한다.

제안 방법

• 신용카드 사기 탐지에 적용된 광범위한 ML 기법을 검토하고 분류한다( HMM, 의사결정 트리, 로지스틱 회귀, SVM, 유전 알고리즘, 신경망, 랜덤 포레스트, 베이지안 네트워크 ).
• 개별 연구에서 보고된 각 기법의 핵심 아이디어, 데이터 요구사항 및 일반적인 성능 지표를 요약한다.
• 정확도, 진양성/거짓양성 및 불균형 데이터세트에 대한 적합성 측면에서 기법을 비교한다.
• 성능에 영향을 주는 전처리 단계와 데이터세트 고려사항을 논의한다.
• 특히 신경망과 확률적/베이지안 방식 간의 정확도와 학습 비용 간의 트레이드오프에 대한 결론을 종합한다.

실험 결과

연구 질문

• RQ1 다양한 데이터세트에서 머신러닝 접근법이 신용카드 사기 탐지에 어떻게 적용되어 왔는가?
• RQ2 탐지 성능, 오탐, 클래스 불균형에 대한 강건성 측면에서 이 기법들은 어떻게 비교되는가?
• RQ3 실무 은행 맥락에서 각 방법의 주요 강점과 약점은 무엇인가?
• RQ4 앙상블 또는 신경망 기반 접근법이 전통적인 분류기보다 더 나은 성능을 보이는 조건은 무엇인가?

주요 결과

• 확률 임계값이 있는 베이지안 네트워크 분류기가 정확도, 재현율 및 경제적 효율성을 고려할 때 특정 데이터세트에서 일부 전통적 방법보다 우수한 성능을 보이는 경우가 많다.
• 배깅 앙상블 분류기는 극심한 불균형 데이터에서 안정적인 사기 탐지 성능을 제공한다.
• 신경망은 높은 탐지 정밀도를 제공하지만 학습 비용이 크고 과적합 위험이 있으며, 특히 노드 수가 제한된 LSTM에서 그렇다.
• 랜덤 포레스트 및 앙상블 방법은 다양한 데이터세트에서 로지스틱 회귀나 표준 의사결정 트리와 같은 단일 분류기보다 자주 더 우수하다.
• 합성곱 신경망(CNN) 및 딥 러닝 접근법은 검출을 개선할 수 있으며, 특히 데이터 증강이나 불균형 처리(SMOTE 등) 시에 유리하지만 상당한 데이터와 계산 자원이 필요하다.
• SVM과 같은 방법은 클래스 불균형에서 두각을 나타낼 수 있는 반면, 전통적인 선형 모델은 불균형 설정에서 저조할 수 있다.