論文の概要: Social network analytics for supervised fraud detection in insurance
- arxiv url: http://arxiv.org/abs/2009.08313v1
- Date: Tue, 15 Sep 2020 21:40:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 06:51:56.875285
- Title: Social network analytics for supervised fraud detection in insurance
- Title（参考訳）: 保険における不正検出を監督するソーシャルネットワーク分析
- Authors: Mar\'ia \'Oskarsd\'ottir, Waqas Ahmed, Katrien Antonio, Bart Baesens,
R\'emi Dendievel, Tom Donas, Tom Reynkens
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.911867365776962
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Insurance fraud occurs when policyholders file claims that are exaggerated or
based on intentional damages. This contribution develops a fraud detection
strategy by extracting insightful information from the social network of a
claim. First, we construct a network by linking claims with all their involved
parties, including the policyholders, brokers, experts, and garages. Next, we
establish fraud as a social phenomenon in the network and use the BiRank
algorithm with a fraud specific query vector to compute a fraud score for each
claim. From the network, we extract features related to the fraud scores as
well as the claims' neighborhood structure. Finally, we combine these network
features with the claim-specific features and build a supervised model with
fraud in motor insurance as the target variable. Although we build a model for
only motor insurance, the network includes claims from all available lines of
business. Our results show that models with features derived from the network
perform well when detecting fraud and even outperform the models using only the
classical claim-specific features. Combining network and claim-specific
features further improves the performance of supervised learning models to
detect fraud. The resulting model flags highly suspicions claims that need to
be further investigated. Our approach provides a guided and intelligent
selection of claims and contributes to a more effective fraud investigation
process.
- Abstract（参考訳）: 保険詐欺は、政策立案者が誇張された、または意図的な損害に基づいて請求を行うときに発生する。
この貢献は、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して不正検出戦略を開発する。
まず、私たちは、ポリシーホルダー、ブローカー、専門家、ガレージを含むすべての関係者とクレームをリンクすることでネットワークを構築します。
次に,ネットワーク内の社会現象として詐欺を確立し,不正特定クエリベクトルを用いたBiRankアルゴリズムを用いて,クレーム毎の不正スコアを算出する。
ネットワークから,クレームの周辺構造だけでなく,不正スコアに関連する特徴を抽出する。
最後に,これらのネットワーク機能とクレーム特有の特徴を組み合わせることで,対象変数として自動車保険の不正行為を伴う監視モデルを構築する。
自動車保険のみのモデルを構築していますが、ネットワークにはすべての利用可能なビジネスラインからの請求が含まれています。
以上の結果から,ネットワークから派生した特徴を有するモデルは,不正行為の検出や,古典的なクレーム特有の特徴のみを用いたモデルよりも優れていた。
ネットワークとクレーム固有の特徴を組み合わせることで、教師付き学習モデルの性能を改善し、不正を検出する。
結果として得られたモデルフラグは、さらなる調査が必要であるという主張を高く疑っている。
当社のアプローチは,クレームの誘導的かつインテリジェントな選択を提供し,より効果的な不正調査プロセスに寄与する。
関連論文リスト
- Utilizing GANs for Fraud Detection: Model Training with Synthetic
Transaction Data [0.0]
本稿では,GAN(Generative Adversarial Networks)の不正検出への応用について検討する。
GANは複雑なデータ分散のモデリングにおいて有望であり、異常検出のための効果的なツールである。
この研究は、ディープラーニング技術によるトランザクションセキュリティの強化におけるGANの可能性を実証している。
論文 参考訳（メタデータ） (2024-02-15T09:48:20Z) - An engine to simulate insurance fraud network data [1.3812010983144802]
ネットワーク構造を持つ合成データを生成するシミュレーションマシンを開発した。
不正発生モデルにおいて、政策立案者及び当事者の総数、所望の不均衡レベル、および特徴(効果の大きさ)を特定できる。
シミュレーションエンジンは、研究者や実践者がいくつかの方法論的課題を検証し、保険詐欺検出モデルの(開発戦略)検証を可能にする。
論文 参考訳（メタデータ） (2023-08-21T13:14:00Z) - 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) - Leveraging a Probabilistic PCA Model to Understand the Multivariate
Statistical Network Monitoring Framework for Network Security Anomaly
Detection [64.1680666036655]
確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。
2つの異なるデータセットを用いて数学的モデルを評価した。
論文 参考訳（メタデータ） (2023-02-02T13:41:18Z) - Locally Interpretable One-Class Anomaly Detection for Credit Card Fraud
Detection [4.507860128918788]
本稿では,クレジットカード不正検出のための新しい異常検出フレームワークを提案する。
不正検出モデルは2つのディープニューラルネットワークで構成されており、教師なしかつ敵対的な方法で訓練されている。
説明モジュールには、AutoEncoder、識別器、および検出モデル全体の解釈を担当する3つのホワイトボックス説明器がある。
論文 参考訳（メタデータ） (2021-08-05T10:19:12Z) - 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) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - No Need to Know Physics: Resilience of Process-based Model-free Anomaly
Detection for Industrial Control Systems [95.54151664013011]
本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。
トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
論文 参考訳（メタデータ） (2020-12-07T11:02:44Z) - 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) - Uncovering Insurance Fraud Conspiracy with Network Learning [34.609076567889694]
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。
論文 参考訳（メタデータ） (2020-02-27T13:15:30Z)
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。