[논문 리뷰] Identifying Illicit Accounts in Large Scale E-payment Networks -- A Graph Representation Learning Approach

Da Sun Handason Tam, Wing Cheong Lau외 4명|arXiv (Cornell University)|2019. 06. 13.

Blockchain Technology Applications and Security인용 수 10

한 줄 요약

이 논문은 그래프 컬러레이션 네트워크(GCNs)에서 새로운 메시지 전달 메커니즘을 통해 다차원 엣지 특징을 노드 임베딩에 통합하는 그래프 표현 학습 방법 EdgeProp을 제안한다. 실생활 전자결제 데이터셋에서 86.98%의 정확도를 기록하며 최신 기술(SOTA) 수준의 성능을 달성하였고, 생물의학적 실체 분류 작업에서는 97.43%의 정확도를 기록하여 GraphSAGE, GBDT, Random Forest를 능가하였다. 이는 불법 계정 탐지에 엣지 특징을 활용한 결과이다.

ABSTRACT

Rapid and massive adoption of mobile/ online payment services has brought new challenges to the service providers as well as regulators in safeguarding the proper uses such services/ systems. In this paper, we leverage recent advances in deep-neural-network-based graph representation learning to detect abnormal/ suspicious financial transactions in real-world e-payment networks. In particular, we propose an end-to-end Graph Convolution Network (GCN)-based algorithm to learn the embeddings of the nodes and edges of a large-scale time-evolving graph. In the context of e-payment transaction graphs, the resultant node and edge embeddings can effectively characterize the user-background as well as the financial transaction patterns of individual account holders. As such, we can use the graph embedding results to drive downstream graph mining tasks such as node-classification to identify illicit accounts within the payment networks. Our algorithm outperforms state-of-the-art schemes including GraphSAGE, Gradient Boosting Decision Tree and Random Forest to deliver considerably higher accuracy (94.62% and 86.98% respectively) in classifying user accounts within 2 practical e-payment transaction datasets. It also achieves outstanding accuracy (97.43%) for another biomedical entity identification task while using only edge-related information.

연구 동기 및 목표

• 전자결제 네트워크에서 불법 금융 활동을 탐지하는 데 있어 기존 룰 기반 및 머신러닝 기반 시스템의 높은 거짓 양성률 문제를 해결하기 위해.
• 시간에 따라 변화하는 대규모 전자결제 그래프에서 노드 분류 정확도를 향상시키기 위해 그래프 신경망에 풍부한 다차원 엣지 특징을 통합하기 위해.
• 미리 보지 않은 노드로의 일반화 및 전이 학습을 지원하는 확장 가능한 인덕티브 그래프 학습 프레임워크를 설계하기 위해.
• 불법 거래 패턴을 포괄적으로 포착하기 위해 엣지 인식 메시지 전달의 효과성을 입증하기 위해.

제안 방법

• GCN 기반 학습 중에 다차원 연속형 엣지 특징이 노드 임베딩으로 전파될 수 있도록 하는 새로운 메시지 전달 메커니즘인 EdgeProp을 제안한다.
• 노드 특징과 엣지 특징 간의 복잡한 상호작용을 모델링하기 위해 학습 가능한 함수 φ(.) 및 ρ(.)를 도입한다.
• 시간에 따라 변화하는 거래 그래프로부터 노드 및 엣지 임베딩을 공동으로 학습하는 엔드 투 엔드 GCN 기반 아키텍처를 설계한다.
• 수백만 개의 노드와 엣지를 처리할 수 있는 확장 가능한 구현을 통해 산업용 실세계 데이터셋에 대한 실제 구현을 가능하게 한다.
• 불법 계정을 식별하기 위한 후속 노드 분류 작업의 입력으로 노드 임베딩을 사용한다.
• 동일한 그래프와 이질적 그래프 모두를 지원하며, 다양한 GNN 모델에 통합될 수 있다.

실험 결과

연구 질문

• RQ1 거래 금액, 타임스탬프, 빈도 등의 엣지 특징이 전자결제 네트워크에서 불법 계정 탐지 정확도에 상당한 영향을 미칠 수 있는가?
• RQ2 GCN 메시지 전달에 다차원 엣지 특징을 통합할 경우, 엣지 정보를 무시하거나 단순화하는 것과 비교해 노드 표현 학습이 얼마나 향상되는가?
• RQ3 실세계 전자결제 사기 탐지에서 제안된 EdgeProp 방법이 GraphSAGE, GBDT, Random Forest와 같은 최신 기술(SOTA) 모델을 얼마나 뛰어넘는가?
• RQ4 모델은 새로운 노드로 일반화되어 인덕티브 학습 환경에서도 높은 성능을 유지할 수 있는가?
• RQ5 비금융적, 이질적 그래프인 생물의학 네트워크와 같은 분야에 적용했을 때 이 방법의 효과는 어떠한가?

주요 결과

• 실세계 전자결제 데이터셋에서 EdgeProp은 불법 계정 분류 작업에서 86.98%의 정확도를 기록하였으며, GraphSAGE(80.95%)와 GBDT(73.82%)를 크게 능가하였다.
• 두 번째 전자결제 데이터셋에서 EdgeProp은 94.62%의 정확도를 달성하여 모든 기준 모델보다 뛰어난 성능을 보였다.
• 노드 특징이 없는 상태에서 엣지 구조와 유형만을 사용한 생물의학적 실체 식별 작업에서 EdgeProp은 97.43%의 정확도를 기록하여 강건성과 일반화 능력이 뛰어나다는 것을 입증하였다.
• 제거 실험(ablation study) 결과, 노드 특징 변환과 방향성 엣지 정보를 모두 통합할 경우 기준 EdgeProp 버전 대비 성능이 3.9% 향상됨을 확인하였다.
• 학습 가능한 함수를 통해 연속적이고 다차원적인 엣지 특징을 명시적으로 모델링함으로써, Decagon 및 Edge2Vec와 같은 기존 엣지 인식 모델보다 EdgeProp이 뛰어난 성능을 보였다.
• 모델은 수백만 개의 노드를 포함한 그래프에 대해 효과적으로 확장 가능하여 산업 규모의 전자결제 거래 네트워크에의 구현을 가능하게 하였다.