그래프 기반 사기 탐지의 동적 집계와 다중 타깃 공격 대응

Dynamic Relation-Aware Graph Learning and Adversarial Robustness for Fraud Detection

연구 내용

다중 관계를 반영하는 동적 어텐션 그래프 집계로 사기 탐지 모델을 강화하고, 그래프 주입 공격 시나리오를 통해 취약성을 평가·대응하는 연구

다중 관계를 갖는 실제 그래프에서 관계별 노드 표현을 학습하고, 학습 가능한 어텐션을 통해 각 관계에 대한 기여도를 동적으로 산정하는 구조로 사기 탐지 성능을 개선합니다. 또한 로컬·글로벌 구조를 함께 반영하기 위해 레이어 간 표현 결합을 수행합니다. 동시에 사기 단체가 협동적으로 활동을 위장하는 다중 타깃 그래프 주입 공격을 가정하고, 공격 노드의 속성과 간선을 한 번에 생성하는 트랜스포머 기반 모델로 공격 효율을 높입니다. 이를 통해 탐지기 설계와 평가를 위한 실증적 위협 모델을 제공합니다.

관련 프로젝트

3건

연구 흐름

초기에는 관계 유형이 혼재된 그래프에서 관계별 메시지 전달을 차등화하는 dynamic relation-attentive 집계 메커니즘을 사기 탐지에 적용했습니다. 이후 탐지 성능 향상을 넘어, 사기 집단의 협동 위장을 모사하는 공격 시나리오를 구성해 그래프 주입 공격의 위험을 분석했습니다. 특히 속성과 간선을 순차 생성하는 기존 접근의 한계를 고려해, 공격 노드 전반을 동시 생성하도록 트랜스포머 인코더 기반 모델을 제안했습니다. 최근에는 공격 노드별 degree budget을 적응적으로 탐색하여 다양한 주입 구조를 포괄하도록 확장하고, 실제 그래프에서의 공격 결과로 탐지기의 강건성을 점검하는 흐름을 수행하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

그래프 사기 탐지 모델 고도화
관계 유형 기반 동적 집계
이종 관계 그래프 분류
그래프 주입 공격 평가
공격 시나리오 설계
탐지기 취약성 점검
설명 가능한 이상 의사결정
위협 모델 기반 학습
공정성/신뢰성 검증
보안 중심 그래프 데이터 마이닝