Fugu-MT 論文翻訳(概要): Uncovering Insurance Fraud Conspiracy with Network Learning

論文の概要: Uncovering Insurance Fraud Conspiracy with Network Learning

arxiv url: http://arxiv.org/abs/2002.12789v1
Date: Thu, 27 Feb 2020 13:15:30 GMT
ステータス: 処理完了
システム内更新日: 2022-12-28 08:12:50.839972
Title: Uncovering Insurance Fraud Conspiracy with Network Learning
Title（参考訳）: ネットワーク学習による保険詐欺陰謀の解明
Authors: Chen Liang, Ziqi Liu, Bin Liu, Jun Zhou, Xiaolong Li, Shuang Yang, Yuan Qi
Abstract要約: 我々は,組織的な詐欺師の集団を識別する新しいデータ駆動手法を開発した。請求者間でデバイス共有ネットワークを導入する。そこで我々は,グラフ学習アルゴリズムに基づく不正検出の自動解法を開発した。
参考スコア（独自算出の注目度）: 34.609076567889694
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fraudulent claim detection is one of the greatest challenges the insurance industry faces. Alibaba's return-freight insurance, providing return-shipping postage compensations over product return on the e-commerce platform, receives thousands of potentially fraudulent claims every day. Such deliberate abuse of the insurance policy could lead to heavy financial losses. In order to detect and prevent fraudulent insurance claims, we developed a novel data-driven procedure to identify groups of organized fraudsters, one of the major contributions to financial losses, by learning network information. In this paper, we introduce a device-sharing network among claimants, followed by developing an automated solution for fraud detection based on graph learning algorithms, to separate fraudsters from regular customers and uncover groups of organized fraudsters. This solution applied at Alibaba achieves more than 80% precision while covering 44% more suspicious accounts compared with a previously deployed rule-based classifier after human expert investigations. Our approach can easily and effectively generalizes to other types of insurance.
Abstract（参考訳）: 不正なクレーム検出は、保険業界が直面する最大の課題の1つだ。 alibabaのreturn-freight insuranceは、eコマースプラットフォーム上で商品の返品に対して返品料を支払い、毎日何千もの詐欺的な請求を受けています。このような保険政策の故意な乱用は、大きな損失をもたらす可能性がある。不正な保険請求の検出と防止のために,ネットワーク情報を学習し,組織的詐欺師の集団を識別するための新しいデータ駆動手法を開発した。本稿では,請求者間のデバイス共有ネットワークについて紹介するとともに,グラフ学習アルゴリズムに基づく不正検出の自動ソリューションを開発し,詐欺師を正規顧客から分離し,組織的詐欺師のグループを明らかにする。 alibabaが適用したこのソリューションは80%以上の精度を実現し、人間の専門家による調査の後、以前デプロイされたルールベースの分類器と比較して44%以上の疑わしいアカウントをカバーできる。我々のアプローチは他のタイプの保険に簡単かつ効果的に一般化できる。

関連論文リスト

FRAUDability: Estimating Users' Susceptibility to Financial Fraud Using Adversarial Machine Learning [24.817067681746117]
本研究では,金融不正検出システムの性能をユーザ毎に推定するFRAUDabilityを提案する。提案手法は,不正検出システムの特定のユーザに対する金銭的不正を検知する能力の数値的な推定値である「フルートビリティスコア」を生成する。また,このスコアは,不正性が高いユーザに対してのみ関与することで,攻撃者の財務利益を54%引き上げる上で有効であることを示す。
論文参考訳（メタデータ） (2023-12-02T18:33:05Z)
Online Corrupted User Detection and Regret Minimization [49.536254494829436]
現実世界のオンラインウェブシステムでは、複数のユーザがシステムに順次到着する。乱れた行動から未知のユーザ関係を学習・活用するために,LOCUDという重要なオンライン学習問題を提案する。我々はRCLUB-WCUの推測ユーザ関係に基づく新しいオンライン検出アルゴリズムOCCUDを考案した。
論文参考訳（メタデータ） (2023-10-07T10:20:26Z)
Correlating Medi- Claim Service by Deep Learning Neural Networks [0.0]
医療保険請求は、患者、医師、診断センター、保険提供者に関連する組織犯罪である。畳み込みニューラルネットワークアーキテクチャは、回帰モデルの相関研究を通じて不正なクレームを検出するために使用される。監視および教師なしの分類器は、不正や不正なクレームを検出するために使用される。
論文参考訳（メタデータ） (2023-08-08T07:40:21Z)
Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。 3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文参考訳（メタデータ） (2023-07-11T07:48:39Z)
On some studies of Fraud Detection Pipeline and related issues from the scope of Ensemble Learning and Graph-based Learning [0.5820960526832067]
英国の反詐欺チャリティーであるFraud Advisory Panelは、詐欺のビジネスコストを1440億ドルと見積もっている。効率的な不正検出システムの構築は、不均衡なデータや計算コストなど、多くの困難な問題のために困難である。
論文参考訳（メタデータ） (2022-05-10T02:13:58Z)
Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文参考訳（メタデータ） (2021-07-29T00:02:06Z)
Social network analytics for supervised fraud detection in insurance [1.911867365776962]
保険詐欺は、政策所有者が誇張された、または故意の損害に基づく主張を提出した場合に発生する。このコントリビューションは,クレームのソーシャルネットワークから洞察力のある情報を抽出することにより,不正検出戦略を開発する。
論文参考訳（メタデータ） (2020-09-15T21:40:15Z)
DFraud3- Multi-Component Fraud Detection freeof Cold-start [50.779498955162644]
コールドスタート(Cold-start)は、新しいユーザの認証に検出システムが失敗したことを指す重要な問題である。本稿では,各コンポーネントに固有の表現を可能にする異種情報ネットワーク (HIN) としてレビューシステムをモデル化する。 HINとグラフ誘導はカモフラージュ問題(本物のレビュー付き詐欺師)に対処するのに役立ち、これはコールドスタートと組み合わされた場合、すなわち真に最初のレビューを持つ新しい詐欺師がより深刻であることが示されている。
論文参考訳（メタデータ） (2020-06-10T08:20:13Z)
Cross-ethnicity Face Anti-spoofing Recognition Challenge: A Review [79.49390241265337]
Chalearn Face Anti-Spoofing Detection Challengeは、シングルモーダル(例えば、RGB)とマルチモーダル(例えば、RGB、Depth、赤外線(IR))のトラックで構成されている。本稿では,その設計,評価プロトコル,結果の概要など,課題の概要について述べる。
論文参考訳（メタデータ） (2020-04-23T06:43:08Z)
InfDetect: a Large Scale Graph-based Fraud Detection System for E-Commerce Insurance [24.49258957908707]
InfDetectは最大1億のノードと数十億のエッジを含む巨大なグラフを処理することができる。本稿では,デバイス共有グラフ,トランザクショングラフ,友情グラフ,バイヤーセラーグラフなど,不正なマイニングを容易にするさまざまなグラフについて検討する。 InfDetectは何千もの不正なクレームを検知し、毎日数万ドル以上を節約した。
論文参考訳（メタデータ） (2020-03-05T05:43:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。