이더리움 거래 네트워크에서 사기 거래의 분리된 표현 학습을 위한 쿼드로플렛 손실 기반 그래프 컨볼루셔널 오토인코더

국문 초록 (Abstract)

암호화폐 사용 증가와 함께 사기 활동도 증가하여, 신뢰성 확보를 위한 정확한 사기 탐지가 중요하지만, 거래 패턴의 유사성과 데이터 불균형 문제로 기존 방법으로는 정확한 사기 탐지가 어렵다. 이를 해결하기 위해, 본 논문에서는 사기와 정상 거래 간의 미묘한 패턴을 효율적으로 포착하여 분리하기 위한 쿼드로플렛 손실과 그래프 컨볼루셔널 오토인코더 모델을 결합한 쿼드로플렛 손실 기반 그래프 컨볼루셔널 오토인코더(QGCAE) 모델을 제안하여 사기 거래의 분리된 표현을 학습한다. 우리의 모델은 기존 모델과의 성능 비교 실험을 통해 F1-score에서 기존의 최고 성능 대비 0.152%p의 향상을 이루어 내고, 분리된 표현 학습을 확인함으로써 쿼드로 플렛 손실이 암호화폐의 사기와 정상간의 미묘한 패턴 인식 및 분리에 유효함을 입증한다.

다국어 초록 (Multilingual Abstract)

As cryptocurrency usage rises, so does fraudulent activity, making accurate scam detection crucial for establishing trust. However, due to similar transaction patterns and data imbalance, existing methods struggle with precise scam detection. To address these challenges, this paper introduces the Quadruplet Loss-based Graph Convolutional Autoencoder (QGCAE) model, which combines quadruplet loss and a graph convolutional autoencoder to effectively capture and distinguish subtle patterns between scam and benign transactions. Our model achieves a 0.152 percentage point improvement in F1-score over previous best-performing models, demonstrating the efficacy of quadruplet loss in recognizing and separating subtle patterns between scam and benign transactions in cryptocurrency.