AML(anti-money laundering) 거래 탐지에서의 edge-level data augmentation 효과 분석

국문 초록 (Abstract)

본 논문은 자금세탁 방지（Anti-Money Laundering, 이하 AML） 거래 탐지 문제에서 Multi-GIN과 Positive Edge Augmentation（이하, PEA）을 결합한 방법의 효과를 실증적으로 분석한다. 자금세탁은 범죄 수익의 출처와 이동 경로를 은폐하여 정상적인 금융 거래처럼 위장하는 행위로, 현재 국제 금융질서와 사회 안전에 중대한 위험 요인으로 작용하고 있다. 이에 따라 AML 거래 탐지의 중요성은 지속적으로 커지고 있으며, 기존의 규칙 기반 탐지와 전통적 머신러닝을 넘어 그래프 신경망을 활용한 연구도 활발히 이루어지고 있다. 최근 AML 거래 탐지에서는 계좌를 노드로, 거래를 엣지로 표현한 거래 그래프를 활용하는 접근이 주목받고 있다. 특히 유향 다중 거래 그래프에 적합한 Multi-GIN은 거래 방향, 동일 계좌 사이의 반복 거래, 중심 거래 주변의 국소 구조를 반영할 수 있다는 점에서 효과적인 기반 모델로 활용될 수 있다. 그러나 Multi-GIN과 같은 강한 그래프 모델을 사용하더라도 AML 데이터의 클래스 불균형 문제는 여전히 남아 있다. 실제 AML 데이터에서는 정상 거래가 대부분을 차지하고 자금세탁 거래는 매우 적기 때문에, 모델이 양성 거래를 충분히 학습하지 못하고 의심 거래를 정상 거래로 잘못 분류할 위험이 있다. 기존의 불균형 완화 방법 중 일부는 소수 클래스 표본을 늘리기 위해 합성 노드나 합성 엣지를 생성하거나 그래프 구조를 직접 변경한다. 그러나 AML 거래 그래프에서는 거래의 방향, 시간 순서, 반복 거래, 계좌 간 연결 구조 자체가 중요한 탐지 근거가 된다. 따라서 그래프 구조를 직접 변경하는 증강 방식은 실제 금융 거래 흐름과 다른 비현실적 구조를 만들 수 있으며, 모델이 잘못된 패턴을 학습하게 할 위험이 있다. 본 연구는 이러한 한계를 완화하기 위해 원본 거래 그래프의 구조를 직접 변경하지 않으면서 양성 거래 표현을 보강하는 Positive Edge Augmentation을 제시한다. PEA는 Multi-GIN이 학습한 양성 엣지 임베딩 공간에서 적용되며, 원본 그래프에 새로운 계좌나 거래를 추가하지 않는다. 이를 통해 유향 다중 거래 그래프의 방향성, 반복 거래 구조, 시간적 맥락을 보존하면서도 부족한 양성 거래 표현을 보강하고자 한다. IBM AML HI-Medium 데이터셋을 대상으로 실험한 결과, Prototype 기반 PEA를 결합한 Multi-GIN이 전체 비교 모델 중 가장 높은 성능을 보였다. 해당 모델은 무증강 Multi-GIN 대비 F1 score를 0.635에서 0.664로 향상시켰으며, 특히 Recall은 0.573에서 0.699로 크게 개선되었다. 이는 PEA가 AML 탐지에서 중요한 양성 거래 탐지 능력을 강화하고, 놓치는 의심 거래를 줄이는 데 효과가 있음을 보여준다. 본 연구의 기대효과는 다음과 같다. 첫째, AML 거래 탐지에서 강한 그래프 모델을 사용하는 것만으로는 충분하지 않으며, 클래스 불균형 문제를 함께 고려해야 함을 실험적으로 제시한다. 둘째, 원본 거래 그래프를 직접 변경하지 않는 구조 보존형 증강 방식이 유향 다중 거래 그래프 환경에서 효과적으로 활용될 수 있음을 보인다.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• 1. 연구 배경 및 문제 제기 1
• 2. 연구 목적 및 분석 범위 3
• Ⅱ. 이론적 배경 5
• 1. 자금세탁 방지와 AML의 필요성 5
• 2. 규칙 기반 및 전통적 머신러닝 기반 AML의 발전과 한계 6
• 3. AML 거래의 그래프 표현과 주요 자금세탁 패턴 8
• 4. GNN 기반 AML 탐지와 Multi-GIN 11
• 5. AML 데이터의 클래스 불균형과 기존 대응 방식의 한계 14
• 6. Positive Edge Augmentation의 이론적 기반 17
• Ⅲ. 실증연구 설계 22
• 1. 데이터셋과 시간 기반 분할 22
• 2. 거래 그래프 구성과 입력 특징 22
• 3. Multi-GIN 기반 엣지 분류 모델 23
• 4. Positive Edge Augmentation 구성 25
• 5. 학습 설정 및 평가 지표 27
• Ⅳ. 실증분석 결과 30
• 1. 전체 성능 비교 31
• 2. Multi-GIN과 PEA의 성능 개선 효과 31
• 3. PEA 구성별 분석 32
• 4. 운영 관점에서의 해석 34
• Ⅴ. 결 론 36
• 참고문헌 39
• Abstract 43