核心概念
연합 학습과 표현 학습을 통합하여 금융 데이터 테이블에서 알려지지 않은 이상치를 효과적으로 탐지할 수 있는 강력한 접근법을 제안한다.
摘要
이 연구는 금융 데이터 테이블에서 이상치 탐지를 위해 표현 학습과 연합 학습을 통합하는 새로운 접근법인 Fin-Fed-OD를 제안한다.
주요 내용은 다음과 같다:
개별 기관의 데이터를 공유하지 않고도 이상치 정보를 공유할 수 있는 연합 학습 기반 접근법을 제안한다.
클라이언트 소유의 오토인코더를 활용하여 잠재 공간 표현을 학습하고, 이를 이용해 이상치 탐지 모델의 결정 경계를 개선한다.
두 개의 금융 데이터 테이블과 이미지 데이터셋에 대한 실험을 통해 제안 방법의 효과를 검증한다.
실험 결과, 제안 방법이 기존 단독 모델 대비 알려지지 않은 이상치를 더 효과적으로 탐지할 수 있음을 보여준다.
또한 다양한 이상치 탐지 알고리즘에 적용 가능한 일반화된 접근법임을 확인하였다.
統計資料
2019년 미국에서 약 50만 건의 사기 관련 민원이 접수되었고, 이로 인한 총 손실은 35억 달러에 달했다.
이상치 탐지는 금융 사기 탐지에 널리 사용되고 효과적인 것으로 입증되었다.
引述
"이 동적 환경에서 단독 또는 로컬 모델은 동적이고 알려지지 않은 이상치 분포에 취약해진다."
"연합 학습은 데이터 공유 없이 모델 업데이트를 공유함으로써 이러한 문제를 해결할 수 있는 해결책으로 부상했다."