신용카드 사기 거래 탐지 AI 경진대회 월간 데이콘

제목에서 말씀드린것처럼, 이번 대회 데이터셋은 Score를 높게 받는 방향으로 학습되었습니다.
어떤식으로 Anomaly Detection 문제를 접근했는지 말씀드리고, Anomaly Detection 관련 공유하고 싶은 내용을 담아봤습니다.

[문제 접근 방식]
1. 통계 기반 모델 : Gaussian_base / PCA / LOF / ISF
2. AutoEncoder 기반 모델 : AE / VAE / DAGMM (Deep Autoencoder Gaussian Mixture Model)
3. Over-sampling & Classification : SMOTE +  sklearn

3번 방식을 사용한게 성능이 가장 높게 나왔습니다.
(이 방식이 Test-set 성능은 좋을 수 있어도 일반화 측면에서 신뢰하기 어렵다고 생각합니다)

[Anomaly Detection 관련 정보]
아래 링크에서 대부분의 내용을 찾아보실 수 있습니다.(DAGMM모델 제외)
- https://www.kaggle.com/search?q=credit+fraud+in:notebooks

3번 Classfication을 제외한 대부분의 이상탐지 모델은 pyod라는 패키지를 참고했습니다.
-  https://pyod.readthedocs.io/en/latest

통계 + Autoencoder 모델로 다양한 파라미터 튜닝이 용이한 DAGMM 모델
- https://bzong.github.io/doc/iclr18-dagmm.pdf
 
데이터셋마다 최적화 방법은 천차만별이라고 생각합니다.
이상탐지 모델에서 주로 사용되는 kdd-cup 등 데이터는 딥러닝 기반 이상탐지 모델에 좋은 성과가 보이지만,
이번 신용카드 사기거래 데이터에는 그렇지 않았습니다.

이번 대회를 통해 이상탐지 분야에 대해 의견을 나눌 수 있다는 점에 감사드리며 글을 마치겠습니다.