합성 LSTM-그래프 신경망 프레임워크를 이용한 강건 금융 위조 탐지 및 적대적 내성

금융 기관은 고도의 사기 거래를 감지하는 데에 어려움을 겪고 있습니다. 예를 들어, 스뫼핑(smurfing)과 레이어링(layering)과 같은 거래를 감지하는 데에는 극심한 데이터 불균형(0.13% 사기 거래율)이 있으며, 적대적 도피술술(evasion tactics)이 변형되고 있습니다. 이 논문에서는 FraudShield AI라는 하이브리드 프레임워크를 제안합니다. FraudShield AI는 Long Short-Term Memory (LSTM) 네트워크와 손으로 만든 그래프 토폴로지 특징(graph topological features)을 통합하여 시간적 시퀀스와 구조적 관계적 맥락을 모두 포착합니다. 네트워크 중심의 특징을 설계함으로써, 시스템은 단일 거래 분석에서 네트워크 수준의 수사학으로 감지 패러다임을 전환합니다. Focal Loss 목표를 사용하여 클래스 불균형을 해결하고, 저가 스뫼핑 공격에 대한 내구성을 개선하기 위해 동적.thresholding 메커니즘을 도입합니다. PaySim 데이터셋에 대한 실험적 평가 결과, 제안된 하이브리드 모델은 Logistic Regression과 XGBoost baseline보다 Precision, Recall, 및 F1-Score에서 현격하게 우수한 성능을 보여주며, 특히 micro-transaction 사기 거래 패턴을 감지하는 것이 어려운 경우입니다. ablation 연구는 시간적 및 토폴로지적 구성 요소의 상호 보완적인 CONTRIBUTION을 확인합니다.