KCI등재
준지도 이상 탐지 모델 기반 신종 유형 대출 사기 탐지 방법 = Loan Fraud Detection Method based on Semi-supervised Anomaly Detection Models
Delinquency fraud in which users intentionally overdue their loans to financial companies causes enormous damage to financial companies. In particular, new types of frauds such as full repaying of existing loans, unpaid rehabilitation, and first-time delinquency distort creditworthiness reduce the possibility of loans to normal loan users and cause enormous damage to investors. However, it is difficult to detect with the existing machine learning-based models due to very few fraud samples and low similarity between fraud samples. In this study, we focus on the fact that the target frauds are very few, which account only for 0.1% of the total datasets. Our study is the first research effort for a fraud detection methodology using semi-supervised anomaly detection methodology that uses labeled fraud samples and unlabeled potential fraud samples. In the study, we use Recall-BEP as an evaluation metric focusing more on accurately detecting frauds than on accurately classifying normal samples. Through the experiments, we show that the proposed semi-supervised based fraud detection methodology outperforms the existing comparison model based on the supervised learning. In particular, DevNet improves Recall-BEP by 17.39% compared to the comparison model. This study shows the effectiveness of utilizing potential unlabeled fraud samples to detect new types of frauds than using only labeled fraud samples
더보기금융기업에 대한 이용자의 의도적인 대출 이후 연체하는 유형의 연체 사기는 기업에 막대한 손해를 끼친다. 특히 통대환 및 신종사기인 무연체회생, 초회차 연체는 신용도를 왜곡시켜 정상적인 대출 이용자들에 대한 대출 가능성을 낮추고 투자자들에게 막대한 손해를 끼치지만, 탐지된 횟수가 극소수이며 사기 데이터 간에 적은 유사성으로 인해 기존의 머신러닝 모델로는 탐지하기 어렵다는 문제가 있다. 본 연구에서는 탐지하는 대상이 전체에서 0.1% 수준의 극소수 신종 유형 사기 탐지를 목표로하여, 라벨링된 사기 데이터와 라벨링되지 않은 사기 데이터를 같이 학습에 이용하는 준지도 이상 탐지 기반 사기 탐지 방법을 최초로 제안하였다. 본 연구에서는 정상 샘플을 정확히 분류하는 것보다 사기를 정확히 탐지하는 것에 더 중점을 두는 평가 방식인 Recall-BEP를 정의하여 사용한다. 실험 결과, 준지도 이상치 탐지 기반 방법론은 라벨링된 이상치 데이터를 활용하여 학습하는 기존 모델에 비해 전반적으로 좋은 성능을 보였고, 특히 DevNet 기반 방법론은 Recall-BEP를 기준으로 기존 모델에 비해 17.39%까지 향상되었다. 이를 통해 극소수의 라벨링 데이터를 가지는 신종 유형 사기를 탐지하기 위해서, 라벨링된 사기 샘플만을 사용하기 보다 라벨링되지 않은 샘플을 추가로 활용하는 방법론의 효용성을 보였다.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)