論文の概要: AutoFraudNet: A Multimodal Network to Detect Fraud in the Auto Insurance
Industry
- arxiv url: http://arxiv.org/abs/2301.07526v1
- Date: Sun, 15 Jan 2023 13:50:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-19 15:51:13.889540
- Title: AutoFraudNet: A Multimodal Network to Detect Fraud in the Auto Insurance
Industry
- Title（参考訳）: AutoFraudNet:自動車保険業界の不正を検知するマルチモーダルネットワーク
- Authors: Azin Asgarian, Rohit Saha, Daniel Jakubovitz, Julia Peyre
- Abstract要約: 保険請求には、通常、さまざまなモダリティのデータが多用される。
近年のマルチモーダル学習の進歩にもかかわらず、これらのフレームワークはいまだに共同学習の課題に悩まされている。
本稿では,不正な自動保険請求を検出するためのマルチモーダル推論フレームワークAutoFraudNetを紹介する。
- 参考スコア（独自算出の注目度）: 3.871148938060281
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In the insurance industry detecting fraudulent claims is a critical task with
a significant financial impact. A common strategy to identify fraudulent claims
is looking for inconsistencies in the supporting evidence. However, this is a
laborious and cognitively heavy task for human experts as insurance claims
typically come with a plethora of data from different modalities (e.g. images,
text and metadata). To overcome this challenge, the research community has
focused on multimodal machine learning frameworks that can efficiently reason
through multiple data sources. Despite recent advances in multimodal learning,
these frameworks still suffer from (i) challenges of joint-training caused by
the different characteristics of different modalities and (ii) overfitting
tendencies due to high model complexity. In this work, we address these
challenges by introducing a multimodal reasoning framework, AutoFraudNet
(Automobile Insurance Fraud Detection Network), for detecting fraudulent
auto-insurance claims. AutoFraudNet utilizes a cascaded slow fusion framework
and state-of-the-art fusion block, BLOCK Tucker, to alleviate the challenges of
joint-training. Furthermore, it incorporates a light-weight architectural
design along with additional losses to prevent overfitting. Through extensive
experiments conducted on a real-world dataset, we demonstrate: (i) the merits
of multimodal approaches, when compared to unimodal and bimodal methods, and
(ii) the effectiveness of AutoFraudNet in fusing various modalities to boost
performance (over 3\% in PR AUC).
- Abstract（参考訳）: 保険業界では、不正なクレームを検出することが重大な経済的影響を伴う重要な課題である。
不正なクレームを識別する一般的な戦略は、支持する証拠の矛盾を探すことである。
しかし、保険請求は通常、さまざまなモダリティ(画像、テキスト、メタデータなど)から得られる大量のデータを伴っているため、これは人間の専門家にとって退屈で認知的な作業である。
この課題を克服するために、研究コミュニティは複数のデータソースを効率的に推論できるマルチモーダル機械学習フレームワークに注力してきた。
マルチモーダル学習の最近の進歩にもかかわらず、これらのフレームワークは依然として苦しむ
(i)異なるモダリティの異なる特徴による関節訓練の課題と課題
(II)高モデル複雑さによる傾向の過度化。
本研究では,不正な自動保険請求を検出するためのマルチモーダル推論フレームワークであるAutoFraudNetを導入することで,これらの課題に対処する。
AutoFraudNetは、カスケードされたスローフュージョンフレームワークと最先端のフュージョンブロックであるBLOCK Tuckerを使用して、共同トレーニングの課題を軽減する。
さらに、オーバーフィットを防ぐために軽量なアーキテクチャ設計と追加の損失が組み込まれている。
実世界のデータセット上で行われた広範な実験を通して、我々は以下のことを実証する。
(i)ユニモーダル・バイモーダル法と比較した場合のマルチモーダルアプローチのメリット、
(II) AutoFraudNet が様々なモダリティを融合して性能を高める効果(PR AUC では 3 % 以上)。
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) - TabSec: A Collaborative Framework for Novel Insider Threat Detection [8.27921273043059]
IoT(Internet of Things, モノのインターネット)とデータ共有の時代には、ユーザは自分の個人情報をエンタープライズデータベースに頻繁にアップロードして、サービスエクスペリエンスの向上を享受する。
しかし、システム脆弱性、リモートネットワーク侵入、インサイダーの脅威が広まれば、インターネット上のプライベートエンタープライズデータの露出が著しく増加する。
本稿では,これらの課題に対処する新たな脅威検出フレームワークTabITDを提案する。
論文 参考訳（メタデータ） (2024-11-04T04:07:16Z) - Harnessing GPT-4V(ision) for Insurance: A Preliminary Exploration [51.36387171207314]
保険には、テキスト、画像、ビデオなど、その運用プロセスにおけるさまざまなデータフォームが含まれる。
GPT-4Vは、保険関連のタスクにおいて顕著な能力を示し、マルチモーダルコンテンツの堅牢な理解を示す。
しかし、GPT-4Vは、詳細なリスク評価と損失評価に苦慮し、画像理解における幻覚に悩まされ、異なる言語に対する可変サポートを示す。
論文 参考訳（メタデータ） (2024-04-15T11:45:30Z) - Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。
異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
論文 参考訳（メタデータ） (2023-12-18T05:42:31Z) - Designing an attack-defense game: how to increase robustness of
financial transaction models via a competition [69.08339915577206]
金融セクターにおける悪意ある攻撃のエスカレートリスクを考えると、機械学習モデルの敵戦略と堅牢な防御メカニズムを理解することが重要である。
本研究の目的は、逐次的な財務データを入力として使用するニューラルネットワークモデルに対する敵攻撃と防御の現状とダイナミクスを調査することである。
我々は、現代の金融取引データにおける問題の現実的かつ詳細な調査を可能にする競争を設計した。
参加者は直接対決するので、実生活に近い環境で攻撃や防御が検討される。
論文 参考訳（メタデータ） (2023-08-22T12:53:09Z) - 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) - Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。
本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。
複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
論文 参考訳（メタデータ） (2023-03-12T16:23:27Z) - MMRNet: Improving Reliability for Multimodal Object Detection and
Segmentation for Bin Picking via Multimodal Redundancy [68.7563053122698]
マルチモーダル冗長性(MMRNet)を用いた信頼度の高いオブジェクト検出・分割システムを提案する。
これは、マルチモーダル冗長の概念を導入し、デプロイ中のセンサ障害問題に対処する最初のシステムである。
システム全体の出力信頼性と不確実性を測定するために,すべてのモダリティからの出力を利用する新しいラベルフリーマルチモーダル整合性(MC)スコアを提案する。
論文 参考訳（メタデータ） (2022-10-19T19:15:07Z) - Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。
実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
論文 参考訳（メタデータ） (2021-01-28T16:38:26Z) - 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)
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。