[논문 리뷰] Modeling the Field Value Variations and Field Interactions Simultaneously for Fraud Detection

Dongbo Xi, Bowen Song외 6명|arXiv (Cornell University)|2020. 08. 08.

Imbalanced Data Classification Techniques인용 수 4

한 줄 요약

이 논문은 사기 탐지 성능을 향상시키기 위해 사용자 이벤트 간 필드 값 변동성과 각 이벤트 내 필드 상호작용을 동시에 포착하는 이중 중요도 인식 인지 분해 기반 모델(Dual Importance-aware Factorization Machines, DIFM)을 제안한다. 실세계 산업 데이터에서 최신 기술 수준(SOTA) 성능을 달성하며, 필드 값 변동성과 이벤트에 대한 중요도 가중치를 학습함으로써 설명 가능한 예측을 제공한다.

ABSTRACT

With the explosive growth of e-commerce, online transaction fraud has become one of the biggest challenges for e-commerce platforms. The historical behaviors of users provide rich information for digging into the users' fraud risk. While considerable efforts have been made in this direction, a long-standing challenge is how to effectively exploit internal user information and provide explainable prediction results. In fact, the value variations of same field from different events and the interactions of different fields inside one event have proven to be strong indicators for fraudulent behaviors. In this paper, we propose the Dual Importance-aware Factorization Machines (DIFM), which exploits the internal field information among users' behavior sequence from dual perspectives, i.e., field value variations and field interactions simultaneously for fraud detection. The proposed model is deployed in the risk management system of one of the world's largest e-commerce platforms, which utilize it to provide real-time transaction fraud detection. Experimental results on real industrial data from different regions in the platform clearly demonstrate that our model achieves significant improvements compared with various state-of-the-art baseline models. Moreover, the DIFM could also give an insight into the explanation of the prediction results from dual perspectives.

연구 동기 및 목표

• 사용자 행동 시퀀스 내외의 내부 필드 정보를 효과적으로 활용하여 사기 탐지 문제를 해결하는 것.
• 통합 프레임워크 내에서 필드 값 변동성과 필드 상호작용을 포착함으로써 사기 탐지 모델의 성능을 향상시키는 것.
• 필드 값 변동성과 이벤트에 대한 중요도 가중치를 학습함으로써 설명 가능한 예측을 제공하여 위험 관리에 대한 실행 가능한 통찰을 제공하는 것.
• 기존 모델이 필드 수준의 동적 변화를 구분하지 못하거나 해석 가능한 결과를 제공하지 못하는 한계를 극복하는 것.

제안 방법

• DIFM는 이중 브랜치 아키텍처를 사용한다: 하나의 브랜치는 중요도 인식 가중치를 갖춘 필드 값 변동성 모듈을 통해 어떤 두 이벤트 간의 필드 값 변동성을 모델링한다.
• 두 번째 브랜치는 각 이벤트 내부의 필드 상호작용을 모델링하는 필드 상호작용 모듈을 사용하며, 이 역시 이벤트에 대한 중요도 인식 가중치를 갖춘다.
• 중요도 인식 모듈은 필드 값 변동성과 이벤트에 기여하는 정도를 반영하여 학습 가능한 가중치를 할당한다.
• DIFM의 넓은 구성 요소는 개별 필드 값에 직접 점수를 매기며, 실시간 위험 스크리닝을 위한 블랙리스트/whitelist 항목으로 활용 가능하다.
• 모델는 인지 분해 기반 기법을 통합하여 2차 상호작용 특징을 효율적으로 학습하면서도 설명 가능성을 유지한다.
• 최종 예측은 양측의 기여도를 결합하며, 주목할 만한 고위험 패턴을 강조하기 위해 주의 메커니즘 유사 가중치를 적용한다.

실험 결과

연구 질문

• RQ1 사용자 이벤트 간 필드 값 변동성을 효과적으로 모델링하여 사기 행동을 탐지할 수 있는가?
• RQ2 순차적 패턴 외에도 개별 이벤트 내 필드 상호작용이 사기 탐지에 얼마나 기여하는가?
• RQ3 통합된 모델이 필드 변동성과 상호작용 신호를 동시에 활용하여 사기 탐지 성능을 향상시킬 수 있는가?
• RQ4 특정 필드 값 변동성과 이벤트의 중요도를 학습함으로써 설명 가능한 설명을 제공할 수 있는가?

주요 결과

• DIFM는 선도적인 전자상거래 플랫폼의 실세계 산업 데이터셋에서 최신 기술 수준(SOTA) 기준보다 뚜렷한 성능 향상을 달성한다.
• 세부적인 값 변동 패턴을 포착함으로써 RNN 기반 및 기타 순차적 모델링 접근 방식보다 뛰어난 성능을 보이며, 이는 강력한 사기 지표로 작용한다.
• 필드 값 변동성—예를 들어 IP, 카드 BIN, 이메일 접미사의 변화—는 매우 예측 가능하며, 특정 값인 '이메일 접미사 #2'는 데이터셋에서 100%의 사기 비율을 기록했다.
• DIFM가 학습한 중요도 가중치는 고위험 이벤트와 필드를 성공적으로 식별하며, 한 사용자 이력 내에서 다수의 필드 변경이 발생하는 경우가 사기와 강하게 상관됨을 보여준다.
• 모델의 설명 가능성 덕분에 위험 관리 시스템에 직접 통합 가능하며, 고위험 필드 값은 블랙리스트에, 저위험 값은 화이트리스트에 추가할 수 있다.
• 사례 연구를 통해 DIFM는 중요도 맵을 시각화함으로써 사기 패턴을 정확히 식별함을 확인하였으며, 이는 전문가 기반 위험 분석에서의 실용성을 입증한다.