論文の概要: Chaotic Variational Auto Encoder based One Class Classifier for Insurance Fraud Detection

• arxiv url: http://arxiv.org/abs/2212.07802v1
• Date: Thu, 15 Dec 2022 13:15:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 17:26:05.595371
• Title: Chaotic Variational Auto Encoder based One Class Classifier for Insurance Fraud Detection
• Title（参考訳）: カオス変分自動エンコーダを用いた保険詐欺検知のための一クラス分類器
• Authors: K. S. N. V. K. Gangadhar, B. Akhil Kumar, Yelleti Vivek, Vadlamani Ravi
• Abstract要約: 実取引における一クラス分類(OCC)を行うためのカオス変分自動符号化(C-VAE)を提案する。 C-VAEは、それぞれ健康保険と自動車保険のデータセットの77.9%と87.25%の分類率を達成した。
• 参考スコア（独自算出の注目度）: 3.773653335175799
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Of late, insurance fraud detection has assumed immense significance owing to the huge financial & reputational losses fraud entails and the phenomenal success of the fraud detection techniques. Insurance is majorly divided into two categories: (i) Life and (ii) Non-life. Non-life insurance in turn includes health insurance and auto insurance among other things. In either of the categories, the fraud detection techniques should be designed in such a way that they capture as many fraudulent transactions as possible. Owing to the rarity of fraudulent transactions, in this paper, we propose a chaotic variational autoencoder (C-VAE to perform one-class classification (OCC) on genuine transactions. Here, we employed the logistic chaotic map to generate random noise in the latent space. The effectiveness of C-VAE is demonstrated on the health insurance fraud and auto insurance datasets. We considered vanilla Variational Auto Encoder (VAE) as the baseline. It is observed that C-VAE outperformed VAE in both datasets. C-VAE achieved a classification rate of 77.9% and 87.25% in health and automobile insurance datasets respectively. Further, the t-test conducted at 1% level of significance and 18 degrees of freedom infers that C-VAE is statistically significant than the VAE.
• Abstract（参考訳）: 近年, 保険詐欺の発見は, 巨額の金銭的・名声的損失と, 不正検出技術の驚異的な成功により, 極めて重要視されている。 保険は主に2つのカテゴリーに分けられる。 (i)生命と生命 (ii)非生。 非生命保険には、健康保険や自動車保険などが含まれる。 いずれのカテゴリにおいても、不正検出技術は、可能な限り多くの不正取引を捕捉するように設計されるべきである。 本稿では,不正取引の希少性から,実取引における一級分類(OCC)を行うカオス変分オートエンコーダ(C-VAE)を提案する。 ここでは,ロジスティックカオス写像を用いて潜在空間のランダムノイズを生成する。 C-VAEの有効性は、健康保険詐欺や自動車保険データセットに示される。 バニラ変分オートエンコーダ(VAE)をベースラインとして検討した。 C-VAEは両方のデータセットにおいてVAEよりも優れていた。 C-VAEは、それぞれ健康と自動車保険のデータセットの77.9%と87.25%の分類率を達成した。 さらに、1%の重要度と18度の自由度で実施されたt-testでは、C-VAEがVAEよりも統計的に有意であることが示された。

関連論文リスト

• A Machine Learning-based Anomaly Detection Framework in Life Insurance Contracts [0.0]
  生命保険は大量のデータに大きく依存している。 データベースに格納されたデータの完全性への信頼が不可欠です。 データ信頼性を保証する方法の1つは、異常の自動検出である。
  論文  参考訳（メタデータ） (2024-11-26T15:06:12Z)
• An Innovative Attention-based Ensemble System for Credit Card Fraud Detection [5.486205584465161]
  本稿では,クレジットカード不正検出のためのユニークな注意に基づくアンサンブルモデルを提案する。 アンサンブルモデルの精度は 99.95% であり、曲線 (AUC) の下の面積は 1 である。
  論文  参考訳（メタデータ） (2024-10-01T09:56:23Z)
• Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
  CANデータからトラックの積載量の検出について検討する。 私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。 我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
  論文  参考訳（メタデータ） (2024-04-08T17:58:22Z)
• Adaptive Hierarchical Certification for Segmentation using Randomized Smoothing [87.48628403354351]
  機械学習の認証は、特定の条件下では、敵対的なサンプルが特定の範囲内でモデルを回避できないことを証明している。 セグメンテーションの一般的な認証方法は、平らな粒度のクラスを使い、モデルの不確実性による高い断続率をもたらす。 本稿では,複数レベルの階層内で画素を認証し,不安定なコンポーネントに対して粗いレベルに適応的に認証を緩和する,新しい,より実用的な設定を提案する。
  論文  参考訳（メタデータ） (2024-02-13T11:59:43Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• Credit Card Fraud Detection Using Enhanced Random Forest Classifier for Imbalanced Data [0.8223798883838329]
  本稿では,この問題を解決するためにランダムフォレスト(RF)アルゴリズムを実装した。 本研究ではクレジットカード取引のデータセットを用いた。
  論文  参考訳（メタデータ） (2023-03-11T22:59:37Z)
• Explainable Artificial Intelligence and Causal Inference based ATM Fraud Detection [3.4543720783285052]
  ATM不正取引は銀行が直面する一般的な問題である。 本研究では,インドから収集したATMトランザクションデータセットを用いて,これらの手法について検討した。 我々は,不正検出フレームワークに説明可能な人工知能(XAI)と因果推論(CI)を組み込んだ。
  論文  参考訳（メタデータ） (2022-11-19T06:01:08Z)
• Impact of the composition of feature extraction and class sampling in medicare fraud detection [3.6016022712620095]
  本研究では,医療・医療サービスセンターが「医療部品D」保険請求書を公表し,不正検知システムの開発に利用した。 そこで本研究では,特徴抽出手法としてオートエンコーダ,データサンプリング手法として合成マイノリティ・オーバーサンプリング手法(SMOTE),および分類アルゴリズムとして勾配向上決定木に基づく分類器を適用した。
  論文  参考訳（メタデータ） (2022-06-03T06:57:08Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)

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。