신용카드 사기 탐지 위한 프라이버시 보존 데이터 증강
신용카드 사기는 매년 수십억 달러의 손실을 발생시키지만, 프라이버시 문제로 인해 은행 간 거래 데이터 공유가 어렵습니다. 이로 인해 연합 학습(Federated Learning, FL) 환경에서 사기 샘플 부족 문제가 발생하며, 이는 통일된 모델 훈련에 큰 제약이 됩니다. 본 연구는 이러한 문제를 해결하기 위해 연합 학습 합성 소수 오버샘플링 기법(FL-SMOTE)을 제안합니다. 이 기법은 부분 동형 암호화와 완전 동형 암호화의 장점을 결합하여 성능과 보안을 강화합니다. 특히, 유클리드 거리 합산, 암호문 비교, 프라이버시 보존 유클리드 거리 순위 지정에 부분 동형 암호화를 활용합니다. 합성 소수 클래스 샘플 생성 및 연합 학습의 보안 집계에는 CKKS(Cheon-Kim-Kim-Song) 방식을 사용합니다. CKKS 근사법을 적용하여 계산 복잡성과 정확성 간의 균형을 맞추었으며, 로지스틱 회귀 모델에 CKKS 방식을 통합하는 방법을 제시합니다. 또한, 클라이언트 손실 함수에 2차 항을 추가하여 로컬 모델과 가속화된 전역 모델 간의 불일치를 정규화합니다. 제안된 FL-SMOTE 알고리즘은 두 가지 공개 데이터셋을 통해 평가되었습니다. 실험 결과, FL-SMOTE가 훈련 결과를 향상시키고 오버샘플링 목표를 성공적으로 달성함을 입증했습니다. 이 연구는 금융 사기 탐지 분야에서 데이터 프라이버시를 유지하면서 모델 성능을 개선하는 실질적인 해결책을 제시합니다.