Judge a Transaction by the Company It Keeps — Somya Rai & MD Sharique, EXL

한 줄 핵심

거래 한 건의 속성만 보는 기존 탭ুল러 모델의 한계를 넘어, 거래·사용자·가맹점의 이웃 관계를 그래프로 학습해 고정된 알림 예산 안에서 사기를 더 많이 잡는 방법을 설명하는 영상이다.

시간별 요약

1. 0:00
   거래 이웃에서 포착되는 사기 신호 같은 거래라도 주변 이웃 관계를 보게 하면 점수가 0.04에서 0.91로 바뀌며, 사기는 거래 행 자체가 아니라 그 거래가 놓인 주변 맥락에 존재한다. 오프라인 결제와 온라인 거래는 사기율과 신호 구조가 달라서 각각 다른 모델이 필요하고, 실제 목표는 AUC가 아니라 고정된 알림 비율 안에서 진짜 사기를 밀어 넣는 성능이다.
2. 2:09
   탭ুল러 특징이 한계에 부딪히는 이유 원시 속성과 엔지니어링 특징을 늘려도 성능 향상은 1점 안팎에 그쳤고, 이는 같은 행과 카드 자체의 과거만 다시 투영했기 때문이다. 기존 탭ुल러 모델은 '이 거래가 어떤 모습인가'는 볼 수 있어도 '누구와 연결되어 있고 지금 무엇을 하는가'는 볼 수 없다.
3. 3:12
   거래 이웃에서 학습하기 그래프 신경망은 개별 노드의 값만 보는 것이 아니라 이웃의 상태를 모아 고정 길이 벡터로 만들고, 이를 노드 자신의 상태와 합쳐 표현을 만든다. 이 방식으로 거래는 사용자와 가맹점, 그리고 그 이웃들의 이웃까지 반영한 임베딩을 얻고, 그 임베딩을 XGBoost에 넣었을 때 고정 알림률에서 진짜 양성률이 크게 상승했다.
4. 5:02
   네 가지 엔지니어링 결정 핵심은 샘플링, 그래프 구성, 설명가능성, 그리고 3ms 서빙이다. 특히 사기 비율을 맞추려고 단순 다운샘플링을 하면 연결성이 깨지므로, 희소한 사기율을 유지하면서도 이웃 구조를 보존하는 방식이 중요했고, 이후엔 엣지 수준 설명과 노드에서 엣지로의 예측 전환이 성능과 서빙을 함께 살렸다.
5. 6:20
   연결성을 깨지 않는 샘플링 카드·가맹점 거래는 0.5%, 온라인 거래는 6% 수준의 부드러운 목표 사기율로 샘플링해 실제 분포와 완전히 멀어지지 않게 유지했다. 사용자 히스토리를 통째로 그래프에 남기고, 사기 사용자의 정상 거래도 하드 네거티브로 살려 두며, 클래스 불균형은 트레이너 내부의 배치 샘플링으로 처리한다.
6. 8:29
   월별 그래프와 누수 차단 각 달을 서로 연결되지 않은 별도 그래프로 만들고, 시간상 더 이른 이웃만 집계하도록 설계해 미래 정보가 흘러들어오는 경로를 원천 차단했다. 또한 라벨은 특징이나 엣지에 넣지 않고, 스칼라와 어휘도 학습 월에서만 적합한 뒤 고정해 train/val/test와 분포 누수까지 막았다.
7. 9:32
   엔티티 이력과 시계열 특징 사용자, 거래, 가맹점에 걸쳐 총 202개 특징을 만들었고, 그중 거래 특징 32개는 사기 탐지를 위해 설계된 파생 변수였다. 과거 거래 횟수, 최근 활동 이후 경과 시간, 최근 5건의 평균·표준편차·최대값, 5분·1시간·24시간 단위 거래량과 금액, 상대방 수, 국가 변경률 같은 지표로 엔티티의 평소 패턴 대비 이상 징후를 잡아낸다.
8. 11:06
   평균·최댓값·표준편차를 쓰는 GraphSAGE GraphSAGE는 고정된 최근성 편향으로 이웃을 모으고, 평균만 쓰지 않고 평균·최댓값·표준편차를 함께 합쳐 희귀한 사기 이웃이 다수의 정상 이웃에 묻히는 문제를 줄였다. 새 사용자나 새 가맹점도 재학습 없이 바로 임베딩할 수 있고, 128차원이 성능과 비용의 균형점으로 제시된다.
9. 13:37
   고정 알림률에서의 탐지 성능 비교 카드-가맹점 거래에서는 XGBoost가 0.5% 알림률에서 36% true positive rate를 보인 반면, GNN+XGBoost는 48%까지 올라 33%의 상대 향상을 냈다. 온라인 거래에서도 48%에서 61%로 상승해, 전체 약 6,500만 달러 추정 추가 포착액의 대부분이 온라인 포트폴리오에서 발생했다.
10. 14:32
    분석가 검토를 위한 엣지 기여도 서브그래프 기여도 분석 결과 카드 거래는 거래 속도 관련 엣지가 가장 중요했고, 온라인 거래는 가맹점 엣지의 비중이 더 컸다. 이런 엣지 수준 설명은 규제 대응, 분석가 신뢰, 모델 디버깅, 그리고 다음 라벨링 품질 향상에 직접적으로 도움이 된다.
11. 16:40
    캐시된 표현과 온라인 스코어링 대규모 그래프 전체를 매 요청마다 다시 계산하지 않고, 사용자·가맹점·최근 거래의 각 층 표현을 임베딩 스토어와 링 버퍼에 캐시해 두었다. 요청 시에는 새로운 거래의 2층 forward만 수행하고, 스레드 고정과 워밍업 같은 작은 최적화로 3ms 수준의 서빙을 맞춘다.
12. 18:26
    노드 예측에서 엣지 예측으로 거래 노드까지 모두 캐시하면 60GB급 메모리와 1일 지연이 필요해 성능이 떨어지므로, 사용자와 가맹점만 미리 임베딩하고 거래는 엣지에서 예측하는 방식으로 바꿨다. 이 전환으로 메모리는 2~3GB 수준으로 줄고, 전체 요청 경로는 중앙값 2.3ms, P99 3.1ms로 SLA 안에 들어오며, 필요하면 GNN forward를 가장 먼저 더 최적화할 수 있다.

실무 인사이트

• 사기 탐지는 거래 자체의 속성보다 주변 관계를 봐야 하므로, 고정된 알림 예산이 있다면 AUC보다 fixed-K에서의 precision/recall을 기준으로 설계하는 편이 실무적이다.
• 그래프 모델의 성패는 모델 구조보다 샘플링과 누수 통제에 크게 좌우되므로, 연결성을 유지한 채 학습 분포와 운영 분포를 맞추는 설계가 먼저다.
• 설명가능성은 부가 기능이 아니라 금융 도메인에서 채택 여부를 가르는 핵심 조건이므로, 예측과 함께 엣지 단위 근거를 같이 내보내야 한다.