신용카드 사기 탐지는 금융시스템의 보안과 안정성을 보장하기 위한 핵심 기술이다. 그러나 실제 데이터에서 사기 거래의 비율이 극도로 낮아 심각한 클래스 불균형이 발생하며, 이는 모델 성능을 저하시킨다. SMOTE와 같은 전통적인 오버샘플링 기법은 이 문제를 해결하기 위해 사용되어 왔으나, 단순 선형 보간에 의존하기 때문에 데이터 다양성이 제한되고 적대적 공격에 취약해진다. 본 연구는 AdaBoost 모델에 GAN 기반 데이터 증강 기법들인 GAN, CGAN, WGAN, WCGAN을 적용하고, 거래량 조작, 가격 급등, 거래 왜곡, 추세 조작의 네 가지 적대적 공격 시나리오에서 탐지 성능을 평가한다. 실험 결과는 GAN 기반 증강이 전반적인 성능에서 SMOTE를 능가함을 보여준다. 특히 WCGAN은 가장 높은 F1-score를 달성하면서 정밀도-재현율 간 균형을 안정적으로 유지하여 뛰어난 강인성을 입증하였다. 반면 SMOTE로 학습된 모델은 모든 공격에서 성능 저하가 크게 나타났고, 특히 가격 급등과 거래 왜곡에서 더욱 두드러졌다. 이러한 결과는 GAN 기반 증강이 기존의 오버샘플링에 대한 보다 효과적인 대안임을 시사한다. 또한 적대적 조건에서 모델을 평가하는 것의 중요성을 강조한다. 주목할 만하게도 WCGAN과 WGAN은 강한 저항성과 전반적인 안정성을 보이며, 안전한 사기 탐지 시스템을 개발하는 데 실용적인 가치를 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.