사기 탐지 시스템(FDS)의 효과적인 개발은 중앙집중형 데이터 공유를 가로막는 엄격한 개인정보 보호 규정으로 인해 저해되고 있다. 연합학습(Federated learning, FL)은 민감한 데이터를 노출하지 않으면서 협력적으로 모델을 학습할 수 있게 해주는 유망한 대안으로 부상했다. FL은 의료 분야에서 탐색되어 왔으나, 금융 사기 탐지에 대한 적용 연구는 상대적으로 제한적이다. 특히 고객, 계정 및 거래에 대한 상세 데이터가 포함된 실제 은행 사기 유형에 대한 FL 연구는 아직 충분히 이루어지지 않았다. 우리는 표 형태의 사기 데이터에서 딥러닝 모델 대비 성능이 우수하다는 점에 동기를 받아, 은행 부문에서 금융 사기 탐지를 위한 연합 그래디언트 부스팅(federated gradient boosting) 모델에 대한 최초의 경험적 연구를 제시한다. 우리는 다양한 시나리오 하에서, Financial Security Institute (FSI)의 비공개 다중 사기 은행 데이터셋과 공개적으로 이용 가능한 은행 데이터셋을 사용하여, 네 가지 대표적인 연합 그래디언트 부스팅 모델을 평가하고 비교한다. 주요 결과로는 (연합 그래디언트 부스팅 모델인) FedXGBBagging의 일관된 우위, 데이터 양의 치우침에 대한 전반적인 취약성, 은행의 조인/드롭아웃(bank join/dropout)에 따른 성능 불안정성, ATM 스키밍과 같은 특정 지역화된 은행 사기 유형을 탐지하는 데의 한계가 포함된다. 본 경험적 연구의 결과는 은행 부문에서 FL 기반 FDS를 배치할 때의 과제와 설계 고려사항을 부각한다.

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