본 논문은 급증하는 모바일 결제 플랫폼과 사물 인터넷(IoT) 기기로 인해 복잡해진 자금 세탁 방지(AML) 조사에 대한 심층적인 검토를 제공합니다. 특히 기존의 머신러닝 기반 AML 탐지 연구가 심층 학습 기술을 충분히 다루지 못하는 점을 지적하며, 심층 학습 기법을 활용한 자금 세탁 탐지의 다양한 접근법과 이와 관련된 과제들을 포괄적으로 검토합니다. 또한, 데이터 제약 조건 하에서 효과적인 사기 탐지를 위해 머신러닝 기술, AML 위험 신호 코드화, 계정 프로파일링을 통합하는 새로운 프레임워크를 제안합니다. 이 프레임워크는 최소 권한 원칙(least-privilege principle)을 적용하여 개인정보 보호 문제를 해결하고 제한된 데이터 가용성 문제를 완화하는 데 중점을 둡니다.
시사점, 한계점
•
시사점:
◦
심층 학습 기반 AML 탐지의 최신 동향과 기술적 과제를 종합적으로 분석하여, 향후 연구 방향을 제시합니다.
◦
데이터 제약 문제를 해결하기 위한 새로운 프레임워크를 제안하여 실용적인 AML 솔루션 개발에 기여합니다.
◦
최소 권한 원칙을 적용하여 개인정보 보호와 효율적인 사기 탐지를 동시에 고려하는 접근 방식을 제시합니다.
