論文の概要: Beyond Defensive Reporting: Machine Learning for Active Anti-Money Laundering Control in Insurance

• arxiv url: http://arxiv.org/abs/2606.16663v1
• Date: Mon, 15 Jun 2026 12:56:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.563781
• Title: Beyond Defensive Reporting: Machine Learning for Active Anti-Money Laundering Control in Insurance
• Title（参考訳）: 防衛レポートを超えて: 保険におけるアクティブなマネーロンダリング制御のための機械学習
• Authors: Dara Goldar, Geir Kjetil Ferkingstad Sandve, Martin Jullum,
• Abstract要約: 本稿では、機械学習が、不審な請求を支払前に警告するのに役立つかどうかを検討する。 我々は、後にマネーロンダリングの疑いがあるとして当局に報告されたクレームを検出するために、勾配式決定木モデルを訓練する。 その結果,不正関連調査ラベルを組み込むことで,洗浄の検出が大幅に向上することが示唆された。
• 参考スコア（独自算出の注目度）: 0.36748639131154315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Money laundering through insurance claims poses a threat to insurers both through fraudulent payouts and reputational and regulatory risk. Despite this, little research has examined how such laundering can be prevented. This paper examines whether machine learning can help insurers flag suspicious claims before payout, shifting the focus from passive reporting to active prevention. Using production data from a major Norwegian insurer, we train gradient-boosted decision tree models to detect claims later reported to authorities for suspected money laundering. Because fraud and laundering may share behavioural patterns, we also examine whether insurance fraud labels can serve as an auxiliary training signal. We compare different learning setups using the Budget-Weighted Capture Rate, a metric introduced in this paper to measure how many laundering cases are captured when only a small share of claims can be manually reviewed. The results show that incorporating fraud-related investigation labels substantially improves laundering detection. The best-performing model captures nearly two-thirds of laundering cases within the top-ranked 2 to 6 percent of claims selected for investigation. To our knowledge, this is the first empirical study of machine learning for money laundering detection in insurance claims.
• Abstract（参考訳）: 保険請求によるマネーロンダリングは、不正な支払いと評判と規制のリスクを通じて保険会社に脅威を与える。 それにもかかわらず、このような洗浄がどのように防止されるかは、ほとんど研究されていない。 本稿では、機械学習が不審な請求を支払前にフラグ付けし、受動的報告からアクティブな予防へと焦点を移すことができるかどうかを検討する。 ノルウェーの大手保険会社による生産データを用いて、グラディショナル・ブーイングされた決定木モデルを訓練し、後にマネーロンダリングの疑いがあるとして当局に報告されたクレームを検出する。 詐欺や洗浄は行動パターンを共有できるため、保険詐欺ラベルが補助訓練信号として機能するかどうかも検討する。 本稿では,少額のクレームのみを手作業でレビューできる場合に,マネーロンダリング事件数を測定するために,予算重み付け率を用いて異なる学習環境を比較した。 その結果,不正関連調査ラベルを組み込むことで,洗浄の検出が大幅に向上することが示唆された。 最高のパフォーマンスモデルでは、調査対象として選択された主張の上位2～6%で、洗浄事件の3分の2近くを捉えている。 我々の知る限り、これは保険請求におけるマネーロンダリング検出のための機械学習に関する最初の実証的研究である。

関連論文リスト

• Representation learning with a transformer by contrastive learning for money laundering detection [1.8160945635344528]
  変圧器ニューラルネットワークを用いて定性的および定量的データの構造化時系列を利用する新しい手順が導入された。 実験により、トランスフォーマーはマネーロンダリングパターンを利用するのに成功する一般的な表現を生成することができることを確認した。 また、偽陽性率を抑えつつ、不正行為や不正行為を検知する新たな手順の能力も高めている。
  論文  参考訳（メタデータ） (2025-07-07T08:16:11Z)
• Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
  多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。 我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-18T11:36:42Z)
• 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)
• Catch Me If You Can: Semi-supervised Graph Learning for Spotting Money Laundering [0.4159343412286401]
  マネーロンダリング(英: Money laundering)とは、犯罪者が違法な資金を追跡不可能な場所に移すために金融サービスを利用するプロセスである。 反マネーロンダリング(AML)を施行するためには、これらの活動を正確かつ確実に特定することが極めて重要である。 本稿では,金融取引のグラフに対する半教師付きグラフ学習手法を用いて,マネーロンダリングに関連するノードを特定する。
  論文  参考訳（メタデータ） (2023-02-23T09:34:19Z)
• Fighting Money Laundering with Statistics and Machine Learning [95.42181254494287]
  反マネーロンダリングのための統計的および機械学習手法に関する科学的文献はほとんどない。 本研究では,クライアントのリスクプロファイリングと疑わしい行動フラグングという2つの中心的要素を持つ統一用語を提案する。
  論文  参考訳（メタデータ） (2022-01-11T21:31:18Z)
• Claim Check-Worthiness Detection as Positive Unlabelled Learning [53.24606510691877]
  クレームチェックの信頼性検出はファクトチェックシステムにおいて重要な要素である。 これらの課題の根底にあるクレームチェックの信頼性検出における中心的な課題を照明する。 我々の最良の手法は、正の非競合学習の変種を用いて、これを自動的に修正する統一的なアプローチである。
  論文  参考訳（メタデータ） (2020-03-05T16:06:07Z)
• 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)
• Adversarial Attacks on Linear Contextual Bandits [87.08004581867537]
  悪意のあるエージェントは、望ましい行動を実行するためにバンディットアルゴリズムを攻撃するインセンティブを持つ可能性がある。 悪意のあるエージェントは、線形コンテキストのバンドイットアルゴリズムに任意のアーム$T - o(T)$倍を$T$ステップで引き出すように強制することができる。 また,悪意のあるエージェントが単一コンテキストにおける帯域幅アルゴリズムの動作に影響を与えることに関心がある場合についても検討する。
  論文  参考訳（メタデータ） (2020-02-10T15:04:09Z)

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。