금융 산업과 IT 기술의 결합으로 지불 방법이 간편화됨에 따라 소비자의 지불 수단이 현금 결제에서 신용카드, 모바일 소액결제, 앱카드 등을 이용한 전자결제로 변화되고 있다. 이에 전자금융결제를 악용하여 이상거래를 시도하는 사례가 증가하는 추세로, 금융사는 이상거래로부터 소비자를 보호하기 위해 FDS(Fraud Detection System)를 구축하고 있다. 이상거래 탐지 시스템은 실시간으로 이용자 정보와 결제 정보를 분석하여 높은 정확도로 이상거래를 식별하는 것이 목표이다. 본 연구에서는 결제로그 분석 및 데이터 마이닝을 이용한 이상거래 탐지 연구 동향을 조사하였으며, 이상거래 탐지에 사용된 데이터 마이닝 알고리즘을 정리하고 이상거래 탐지 연구를 사용된 데이터 셋, 알고리즘, 연구 관점으로 분류하였다.
금융 산업과 IT 기술의 결합으로 지불 방법이 간편화됨에 따라 소비자의 지불 수단이 현금 결제에서 신용카드, 모바일 소액결제, 앱카드 등을 이용한 전자결제로 변화되고 있다. 이에 전자금융결제를 악용하여 이상거래를 시도하는 사례가 증가하는 추세로, 금융사는 이상거래로부터 소비자를 보호하기 위해 FDS(Fraud Detection System)를 구축하고 있다. 이상거래 탐지 시스템은 실시간으로 이용자 정보와 결제 정보를 분석하여 높은 정확도로 이상거래를 식별하는 것이 목표이다. 본 연구에서는 결제로그 분석 및 데이터 마이닝을 이용한 이상거래 탐지 연구 동향을 조사하였으며, 이상거래 탐지에 사용된 데이터 마이닝 알고리즘을 정리하고 이상거래 탐지 연구를 사용된 데이터 셋, 알고리즘, 연구 관점으로 분류하였다.
Due to a rapid advancement in the electronic commerce technology, the payment method varies from cash to electronic settlement such as credit card, mobile payment and mobile application card. Therefore, financial fraud is increasing notably for a purpose of personal gain. In response, financial comp...
Due to a rapid advancement in the electronic commerce technology, the payment method varies from cash to electronic settlement such as credit card, mobile payment and mobile application card. Therefore, financial fraud is increasing notably for a purpose of personal gain. In response, financial companies are building the FDS (Fraud Detection System) to protect consumers from fraudulent transactions. The one of the goals of FDS is identifying the fraudulent transaction with high accuracy by analyzing transaction data and personal information in real-time. Data mining techniques are providing great aid in financial accounting fraud detection, so it have been applied most extensively to provide primary solutions to the problems. In this paper, we try to provide an overview of the research on data mining based fraud detection. Also, we classify researches under few criteria such as data set, data mining algorithm and viewpoint of research.
Due to a rapid advancement in the electronic commerce technology, the payment method varies from cash to electronic settlement such as credit card, mobile payment and mobile application card. Therefore, financial fraud is increasing notably for a purpose of personal gain. In response, financial companies are building the FDS (Fraud Detection System) to protect consumers from fraudulent transactions. The one of the goals of FDS is identifying the fraudulent transaction with high accuracy by analyzing transaction data and personal information in real-time. Data mining techniques are providing great aid in financial accounting fraud detection, so it have been applied most extensively to provide primary solutions to the problems. In this paper, we try to provide an overview of the research on data mining based fraud detection. Also, we classify researches under few criteria such as data set, data mining algorithm and viewpoint of research.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이상거래 탐지 및 대응에 대한 연구를 사용된 데이터 셋, 알고리즘, 연구 목적 등으로 분류하였다. 또한 각 세부 분류별로 속한 연구들 중에서 해당 분류를 대표할 수 있는 연구를 선정하고 이를 설명하였다.
사용된 데이터 마이닝 알고리즘의 특징과 장단점을 정리하고 각 연구를 사용된 알고리즘에 따라 분류하였다. 또한 정확도, 실시간 탐지 가능 여부 등 각 연구별 특징에 따라 분류하여 이상거래 탐지 연구의 최신 동향을 제시한다.
본 연구에서는 전자결제 로그 분석과 데이터 마이닝(data mining) 기법을 이용한 이상거래 탐지 기법에 대해 조사하였다. 각 연구별로 이상거래 탐지를 수행하기 위해 사용된 데이터 셋을 은행 거래, 신용 카드, 모바일 거래 등으로 분류하고 비교하였다.
제안 방법
Nagi 등은 금융사기 탐지를 위한 데이터 마이닝 기법 적용에 대한 문헌을 고찰하였다. 1997년부터 2008년 사이에 발표된 49개 저널의 논문을 네 가지의 사기 범주와 여섯 가지의 데이터 마이닝 기법으로 분석하고 분류하였다[4].
본 연구에서는 전자결제 로그 분석과 데이터 마이닝(data mining) 기법을 이용한 이상거래 탐지 기법에 대해 조사하였다. 각 연구별로 이상거래 탐지를 수행하기 위해 사용된 데이터 셋을 은행 거래, 신용 카드, 모바일 거래 등으로 분류하고 비교하였다. 사용된 데이터 마이닝 알고리즘의 특징과 장단점을 정리하고 각 연구를 사용된 알고리즘에 따라 분류하였다.
Vadoodparast 등은 약 360만 건의 이체 데이터 및 은행에서 사용하는 Rapidminer 모델링 도구를 이용해 이상 거래를 탐지하는 방법론을 제안하였다. 논문에서 제안한 KDA 모델은 온라인 동적 모델링 및 오프라인 모드에서 80% 이상의 사기 거래를 탐지하였다[24]. Liu 등은 CSMAR(China Stock Market & Accounting Research) 데이터 셋을 여러 데이터 마이닝 알고리즘에 적용하고, 결과를 통해 최적의 이상거래 탐지 모델을 제시하였다[25].
본 논문에서는 결제로그 분석 및 데이터 마이닝을 이용한 이상거래 탐지 연구들을 조사하였으며, 데이터 마이닝 기법에 대해 정리하고 관련 연구들을 사용된 데이터 셋, 데이터 마이닝 알고리즘, 연구 관점등 3가지 분류기준으로 분류하였다. 또한 분류기준 별로 연도별 연구 분포를 통해 최신 연구 경향을 제시하였다. 우리는 본 연구를 통해 이상거래 탐지를 시도하려는 다양한 관점의 연구들을 조금 더 쉽게 이해할 수 있으며, 제시된 데이터 마이닝 알고리즘 적용 방안을 참고하여 더 나은 성능을 제공하는 FDS 를 구축할 수 있으리라 기대한다.
본 논문에서는 결제로그 분석 및 데이터 마이닝을 이용한 이상거래 탐지 연구들을 조사하였으며, 데이터 마이닝 기법에 대해 정리하고 관련 연구들을 사용된 데이터 셋, 데이터 마이닝 알고리즘, 연구 관점등 3가지 분류기준으로 분류하였다. 또한 분류기준 별로 연도별 연구 분포를 통해 최신 연구 경향을 제시하였다.
본 절에서는 이상거래 탐지 연구 관점을 실시간 탐지 가능성, 범용성, 정확도, 분류 효율로 분류한다. Fig.
이상거래 탐지 연구는 각 연구에서 제안한 방법에 따라 다양한 알고리즘이 사용 가능하다. 본 절에서는 이상거래 탐지 연구를 사용된 데이터 마이닝 알고리즘에 따라 분류하였다. Table 6.
Andrea Dal Pozzolo 등은 신용카드사기 탐지 과정에서 발생하는 데이터 불균형, 비정지 분포(non-stationarity) 평가에 대한 문제점과 해결책을 제시하였다. 비정지 분포는 카드 소유자와 사기꾼의 지출 행위 (spending behavior)가 진화하기 때문에 결제 패턴이 수시로 변하는 문제를 말하며, static approach, updating approach, forgetting genuine approach와 같은 방법론을 제안하였다.[19]
각 연구별로 이상거래 탐지를 수행하기 위해 사용된 데이터 셋을 은행 거래, 신용 카드, 모바일 거래 등으로 분류하고 비교하였다. 사용된 데이터 마이닝 알고리즘의 특징과 장단점을 정리하고 각 연구를 사용된 알고리즘에 따라 분류하였다. 또한 정확도, 실시간 탐지 가능 여부 등 각 연구별 특징에 따라 분류하여 이상거래 탐지 연구의 최신 동향을 제시한다.
Abhinav Srivastava 등은 신용카드 거래 금액을 시간 순서에 따라 시퀀스로 작성하고 HMM 알고리즘을 적용 하여 이상거래를 탐지하는 방법론을 제안하였다. 시뮬레이션 데이터를 이용해 실험을 진행하고 성능 평가를 통해 사기 거래 탐지에 가장 적합한 HMM 파라미터를 확인하였다[28].
정상 이용자의 불편함을 줄이고 새로운 사기 거래 패턴을 탐지하기 위해 이상 거래를 탐지시 정확도에 중점을 두는 연구가 가장 많이 진행되었다. 이러한 연구들은 주로 동일한 데이터 셋에 여러 데이터 마이닝 알고리즘을 적용하여 결과를 통해 성능을 비교하였다. 또한 매 해를 거듭할수록 시스템의 성능이 비약적으로 향상되는 점 또한 정확도 관점에서 연구가 진행되는 것에 영향을 미친 것으로 보인다.
는 전자금융거래를 위한 이상거래 탐지 및 대응에 대한 연구들을 다양한 관점으로 정리한 것이다. 이상거래 탐지 및 대응에 대한 연구를 사용된 데이터 셋, 알고리즘, 연구 목적 등으로 분류하였다. 또한 각 세부 분류별로 속한 연구들 중에서 해당 분류를 대표할 수 있는 연구를 선정하고 이를 설명하였다.
Jehwan Oh 등은 실제 온라인 게임 내의 퀘스트, 로그인, 거래 데이터를 통계 및 데이터 마이닝 기법에 적용하였다. 제시한 방법론은 p-value를 통해 유저들의 과거 행동들과 최근 행동의 변화를 확인하고 탈취된 계정을 탐지하였다[36].
Random Forest는 의사결정 트리를 기본 분류기로 사용하는 앙상블 학습 알고리즘 중 하나이다. 훈련 데이터를 통해 기본 분류기들의 집합을 구성하고 각 분류기의 결과에 대한 투표를 통해 분류를 수행한다. Chengwei Liu 등은 신용카드 거래 데이터 중 7가지의 피쳐를 선택해 회귀 모델을 구축하고 Decision Tree, SVM, kNN, Logistic Regression, Random Forest 알고리즘에 적용하여 Random Forest의 성능이 우수함을 보였다[25].
대상 데이터
Whitrow 등은 2005년에 발생된 신용카드 거래데이터를 이용하여 이상거래 탐지 시 거래 집계 (aggregation) 기간을 1일, 3일, 7일로 나누어 결과를 비교하였다[11]. Sanchez 등은 신용카드사기 거래를 탐지하기 위해 2002년부터 2003년 사이에 칠레 백화점에서 발생된 신용카드 거래 데이터를 활용하였다. 이용자의 개인정보만을 이용한 방식과 이용자의 개인정보 및 거래 데이터를 모두 사용하는 방식으로 나누어 진행하였으며 사용자의 성별, 나이, 거래 지역, 카드 발급 시기, 거래 금액, 거래 빈도 등이 사기 거래 사용자와 관련성이 높음을 확인하였다[12].
은행 거래 데이터는 입금 및 이체 데이터, ATM 기기를 통한 출금 데이터, 온라인 뱅킹(online banking) 데이터, 주식 및 증권 데이터 등으로 구성된다. 은행 거래 데이터를 통한 이상거래 탐지 시 결제 데이터를 재정 상태, 신용 정보 등 이용자의 정보와 연계하여 분석이 가능하다.
이상거래 탐지의 경우 동일한 알고리즘을 사용하더라도 분석에 사용할 데이터에 따라 접근 방법이 다르므로 사용된 데이터에 따라 분류가 가능하다. 이상 거래를 탐지하는 대상은 크게 네 분류로 신용카드 결제 데이터, 시뮬레이션 데이터, 은행 거래 데이터, 기타 데이터로 나눌 수 있다. Table 3.
Nicholas Patterson 등은 가상재화 도용탐지 알고리즘을 사용하는 탐지 프레임워크(framework) 설계를 제안하였다. 탐지 알고리즘을 계정침입 탐지와 가상재화 부정거래 탐지 두 단계로 나누어 6개의 시나리오 데이터에 적용하였다[29]. K.
성능/효과
Manoel Fernando Alonso Gadi 등은 신용카드 사기거래를 높은 효율로 탐지하기 위한 연구를 수행하였다. Naive Bayes, Neural Network, Bayesian Network, Decision Tree, AIRS 알고리즘을 사용하였으며 AIRS에 최적화된 파라미터 설정을 통해 저비용으로 높은 탐지가 가능함을 보였다[9].
은 여러 국가에서 지급 수단별 거래 금액의 규모를 나타낸 것이다. 전체 거래 금액 중 신용 카드를 이용한 결제 금액이 한국 71%, 캐나다 71%, 네덜란드 64%, 미국 55%, 호주 50%, 프랑스 46% 등 신용카드를 이용한 거래가 가장 높은 비율을 차지하는 것으로 나타났다[1].
후속연구
우리는 본 연구를 통해 이상거래 탐지를 시도하려는 다양한 관점의 연구들을 조금 더 쉽게 이해할 수 있으며, 제시된 데이터 마이닝 알고리즘 적용 방안을 참고하여 더 나은 성능을 제공하는 FDS 를 구축할 수 있으리라 기대한다. 비트코인과 같은 신종 화폐의 등장과 크라우드펀딩 활성화 등 새로운 결제 환경이 조성되고 있기 때문에 기존에 진행된 연구를 바탕으로 향후 다양한 환경에서 대응 방안이 마련되어야 할 것이다.
또한 분류기준 별로 연도별 연구 분포를 통해 최신 연구 경향을 제시하였다. 우리는 본 연구를 통해 이상거래 탐지를 시도하려는 다양한 관점의 연구들을 조금 더 쉽게 이해할 수 있으며, 제시된 데이터 마이닝 알고리즘 적용 방안을 참고하여 더 나은 성능을 제공하는 FDS 를 구축할 수 있으리라 기대한다. 비트코인과 같은 신종 화폐의 등장과 크라우드펀딩 활성화 등 새로운 결제 환경이 조성되고 있기 때문에 기존에 진행된 연구를 바탕으로 향후 다양한 환경에서 대응 방안이 마련되어야 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
핀테크란?
핀테크(fintech)는 금융(financial)과 기술 (technique)의 합성어로 모바일 결제 및 송금, 개인자산관리, 크라우드펀딩 등 정보기술(IT)을 기반으로 한 새로운 형태의 금융 기술을 의미한다. 국내에서는 2014년 ‘천송이 코트’ 사건 이후 본격적인 이슈가 되었으며 금융관리, 금융데이터 분석, 금융 소프트웨어, 플랫폼의 4가지 영역으로 분류된다.
금융 산업과 IT 기술의 결합으로 지불 방법이 간편화됨에 따라 소비자의 지불 수단이 어떻게 변화되고 있는가?
금융 산업과 IT 기술의 결합으로 지불 방법이 간편화됨에 따라 소비자의 지불 수단이 현금 결제에서 신용카드, 모바일 소액결제, 앱카드 등을 이용한 전자결제로 변화되고 있다. 이에 전자금융결제를 악용하여 이상거래를 시도하는 사례가 증가하는 추세로, 금융사는 이상거래로부터 소비자를 보호하기 위해 FDS(Fraud Detection System)를 구축하고 있다.
데이터 마이닝의 6가지 기법은 각각 어떤 경우에 사용하는가?
데이터 마이닝 적용 분야는 분류 (classification), 군집화(clustering), 예측 (prediction), 이상치 검출(outlier detection), 회귀(regression), 시각화(visualization) 등 6가지 기법으로 분류할 수 있다. 분류 기법은 기존의 데이터와 정답지를 학습하여 모델을 세우고, 정답지가 없는 데이터를 모델에 따라 분류할 때 주로 사용된다. 군집화 기법은 각 데이터의 거리나 속성을 정답지 없이 비교 분석하여 비슷한 데이터들을 하나의 집합으로 정의하는데 사용된다. 예측 기법은 데이터 흐름이나 정렬 규칙 등을 분석하여 다음에 나타날 데이터 규칙을 추측하는데 사용된다. 이상치 검출 기법은 군집화 기법과 유사하게 각 데이터의 거리를 측정하지만 전체 데이터로부터 동떨어진 특정 데이터와 규칙을 찾는데 사용된다. 회귀 기법은 각 데이터를 구성하는 독립 변수 사이의 상관관계를 통계적 방법으로 규명하고 수학적 규칙으로 나타낼 수 있어 이상거래 규칙을 세울 때 많이 사용된다. 시각화 기법은 각 데이터를 최적화된 방법으로 표현하여 데이터 분석가로 하여금 데이터 셋의 특성을 이해하도록 하는데 도움을 준다.
참고문헌 (38)
Gyusoo Kim and Seulgi Lee, "2014 Payment Research," Bank of Korea, Vol. 2015, No. 1, Jan. 2015.
Yunhwa Lim, "Research of Statistics and Countermeasure about Credit Card Fraud," The Credit Finance Research Institute, Vol. 2015, No. 16, Nov. 2015.
E.W.T. Nagi, Yong Hu, H.Y. Wong, Yijun Chen, Xin Sun, "The Application of Data Mining Techniques in Financial Fraud Detection: A Classification Framework and an Academic Review of Literature," Decision Support Systems, Vol. 50, No. 3, Feb. 2011.
Jha, Sanjeev, J. Christopher Westland, "A Descriptive Study of Credit Card Fraud Pattern," Global Business Review, Vol. 14, No. 3, pp. 373-384, 2015.
Edge, Michael Edward, Pedro R. Falcone Sampaio, "A Survey of Signature based Methods for Financial Fraud Detection," Computers & Security, Vol. 28 No. 6, pp. 381-394. 2009.
Peter J. Bentley, Jungwon Kim, Gil-Ho Jung, Jong-Uk Choi, "Fuzzy Darwinian Detection of Credit Card Fraud," The 14th Annual Fall Symposium of the Korean Information Processing Society, Oct. 2000.
Sam Maes, Karl Tuyls, Bram Vanschoenwinkel, Bernard manderick, "Credit Card Fraud Detection Using Bayesian and Neural Networks," Proceedings of the 1st International Naiso Congress on Neuro Fuzzy Technologies, Jan. 2002.
Manoel Fernando Alonso Gadi, Xidi Wang, Alair Pereira do Lago, "Credit Card Fraud Detection with Artificial Immune System," Artificial Immune Systems, pp. 119-131, 2008.
Jon T.S. Quah, M. Sriganesh, "Real-time Credit Card Fraud Detection using Computational Intelligence," Expert Systems with Applications, Vol. 35, No. 4, pp. 1721-1732, Nov. 2008.
C. Whitrow, D.J. Hand, P. Juszczak, D. Weston, N.M. Adams, "Transaction Aggregation as a Strategy for Credit Card Fraud Detection," Data Mining and Knowledge Discovery, Vol. 18, No. 1, pp. 30-55, Feb. 2009.
D. Sancheza, M.A. Vilaa, L. Cerdaa, J.M. Serranob, "Association Rules applied to Credit Card Fraud Detection," Expert Systems with Applications, Vol. 36, No. 2, pp. 3630-3640, Mar. 2009.
S.B.E. Raj, A.A. Portia, "Analysis on Credit Card Fraud Detection Methods," Computer, Communication and Electrical Technology (ICCCET) 2011 International Conference on, pp. 152-156, Mar. 2011.
Raghavendra Patidar, Lokesh Sharma, "Credit Card Fraud Detection using Neural Network," International Journal of Soft Computing and Engineering (IJSCE), pp. 33-38, 2011.
V. Bhusari, S. Patill, "Study of Hidden Markov Model in Credit Card Fraudulent Detection," International Journal of Computer Applications, Vol. 20, No. 5, Apr. 2011.
V.R. Ganji, S.N.P. Mannem, "Credit Card Fraud Detection using Anti-k Nearest Neighbour Algorithm," International Journal on Computer Science and Engineering, Vol. 4, No. 6, pp. 1035-1039, Jan. 2012.
Neda Soltani, Mohammad Kazem Akbari, Mortaza Sargolzaei Javan, "A New User-Based Model for Credit Card Fraud Detection Based on Artificial Immune System," Artificial Intelligence and Signal Processing (AISP), 2012 16th CSI International Symposium on IEEE, May. 2012
A.D. Pozzoloa, O. Caelenb, Y.A.L. Borgnea, S. Waterschootb, G. Bontempia, "Learned Lessons in Credit Card Fraud Detection from a Practitioner Perspective," Expert Systems with Applications, Vol. 41, No. 10, pp. 4915-4928, Aug. 2014.
Ivo Correia, Fabiana Fournier, Inna Skarbovsky, "The Uncertain Case of Credit Card Fraud Detection," Proceedings of the 9th ACM International Conference on Distributed Event-Based Systems, pp. 181-192, 2015.
Ganesh Kumar.Nune and P.Vasanth Sena, "Novel Artificial Neural Networks and Logistic Approach for Detecting Credit Card Deceit," International Journal of Computer Science and Network Security, Vol. 15, No. 9, Sep. 2015.
Aihua Shen, Rencheng Tong, Yaochen Deng, "Application of Classification Models on Credit Card Fraud Detection," Service Systems and Service Management of the 2007 IEEE International Conference, pp. 1-4, Jun. 2007.
Massoud Vadoodparast, Abdul Razak Hamdan, Hafiz, "Fraudulent Electronic Transaction Detection using Dynamic KDA Model," International Journal of Computer Science and Information Security, Vol. 13, No. 3, pp. 90-99, Mar. 2015.
Chengwei Liu, Yixiang Chan, Syed Hasnain Alam Kazmi, Hao Fu, "Financial Fraud Detection Model: Based on Random Forest," International Journal of Economics and Finance, Vol. 7, No. 7, pp. 178-188, 2015.
Jae Hoon Park, Huy Kang Kim, Eunjin Kim, "Effective Normalization Method for Fraud Detection Using a Decision Tree," Journal of the Korea Institute of Information Security and Cryptology, Vol. 25, No. 1, pp. 133-146, Feb. 2015.
Nicholas Patterson, Michael Hobbs, Jemal Abawajy, "Virtual Property Theft Detection Framework: An Algorithm to Detect Virtual Property Theft in Virtual World Environments," Trust, Security and Privacy in Computing and Communications on IEEE, pp. 177-184, Jun. 2012.
Ashphak Khan, Tejpal Singh, Amit Sinhal, "Implement Credit Card Fraudulent Detection System using Observation Probabilistic in Hidden Markov Model," Engineering (NUiCONE), 2012 Nirma University International Conference on IEEE, pp. 1-6, Dec. 2012.
Wee-Yong Lim, Amit Sachan, Vrizlynn Thing, "Conditional Weighted Transaction Aggregation for Credit Card Fraud Detection," Advances in Digital Forensics X. pp. 3-16, 2014.
K.R. Seeja and Masoumeh Zareapoor, "FraudMiner: A Novel Credit Card Fraud Detection Model based on Frequent Itemset Mining," The Scientific World Journal, Vol. 2014, Sep. 2014.
Luigi Coppolino, Salvatore D'Antonio, Valerio Formicola, Carmine Massei, Luigi Romano, "Use of the Dempster-Shafer Theory for Fraud Detection: The Mobile Money Transfer Case Study," Intelligent Distributed Computing VIII, pp. 465-474, 2015.
Hee Yeon Min, Jin Hyung Park, Dong Hoon Lee, In Seok Kim, "Outlier Detection Method for Mobile Banking with User Input Pattern and E-finance Transaction Pattern," Journal of Korean Society for Internet Information, Vol. 15, No. 1, pp. 157-170, Feb. 2014.
Milad Malekipirbazari and Vural Aksakalli, "Risk Assessment in Social Lending via Random Forests," Expert Systems with Applications, Vol. 42, No. 10, pp. 4621-4631, Jun. 2015.
Jehwan Oh, Zoheb Hassan Borbora, Jaideep Srivastava, "Automatic Detection of Compromised Accounts in MMORPGs," Social Informatics (SocialInformatics), International Conference on. IEEE, pp. 222-227, Dec. 2012.
Constantinos S. Hilas1, Paris A. Mastorocostas1, Ioannis T. Rekanos, "Clustering of Telecommunications User Profiles for Fraud Detection and Security Enhancement in Large Corporate Networks: A Case Study," Vol. 9, No. 4, pp. 1709-1718, Jan. 2015.
Sharmila Subudhia, Suvasini Panigrahib, "Quarter-Sphere Support Vector Machine for Fraud Detection in Mobile Telecommunication Networks," Procedia Computer Science, Vol. 48, pp. 353-359, 2015.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.