[論文レビュー] A Machine Learning-based Anomaly Detection Framework in Life Insurance Contracts

Andreas Groll, Akshat Khanna+1 more|arXiv (Cornell University)|Nov 26, 2024

Insurance and Financial Risk ManagementEconomics, Econometrics and Finance被引用数 3

ひとこと要約

本論文では、ラベル付きの異常データが存在しない状況において、教師なし手法を用いて生命保険契約のデータ不正を特定する機械学習ベースの異常検出フレームワークを提案する。2つのオープンソースデータセットを用いて、古典的手法（例：Isolation Forest やオートエンコーダー）の性能を評価し、特に変分オートエンコーダー（VAE）を含む深層学習モデルが、手動で注入された契約レベルの異常を高い正確性と自動化の可能性を兼ね備えて優れた性能で検出できることを示している。

ABSTRACT

Life insurance, like other forms of insurance, relies heavily on large volumes of data. The business model is based on an exchange where companies receive payments in return for the promise to provide coverage in case of an accident. Thus, trust in the integrity of the data stored in databases is crucial. One method to ensure data reliability is the automatic detection of anomalies. While this approach is highly useful, it is also challenging due to the scarcity of labeled data that distinguish between normal and anomalous contracts or inter\-actions. This manuscript discusses several classical and modern unsupervised anomaly detection methods and compares their performance across two different datasets. In order to facilitate the adoption of these methods by companies, this work also explores ways to automate the process, making it accessible even to non-data scientists.

研究の動機と目的

• ラベル付きの異常データが乏しいもしくは存在しない生命保険データにおける異常検出の課題に対処すること。
• クラシカルな教師なし手法（例：k-means, DBSCAN, Isolation Forest, OCSVM）と最新の深層学習モデル（オートエンコーダー, VAE）が、契約レベルの異常をどの程度効果的に検出できるかを比較すること。
• 実運用における保険業務を支援できる、非専門家でも利用可能な自動化された異常検出パイプラインを構築すること。
• 手動で注入した異常を用いて、保険契約データにおける現実的なデータ不正を模擬し、モデルの性能を評価すること。
• データサイエンティストの専門知識がほとんど不要な実用的でスケーラブルなフレームワークを提供し、保険会社がデータの整合性向上と不正検出を強化できるようにすること。

提案手法

• 近接性に基づく手法（k-means, DBSCAN, HDBSCAN）、木構造に基づく Isolation Forest、1クラスSVM（OCSVM）を用いて、生命保険データセット内の外れ値を特定する教師なし異常検出手法を採用する。
• 深層学習モデル（オートエンコーダー（AEs）と変分オートエンコーダー（VAEs））を適用し、低次元表現を学習し、再構成誤差に基づいて異常を検出する。
• Isolation Forest においては、グリッドサーチを用いて自動的にハイパーパrameterチューニング（f_max, s_max, n_estimators）を実施するが、他のモデルは手動または実験的チューニングを要する。
• すべてのモデルとの互換性を確保するため、カテゴリカル変数にはワンホットエンコーディング、数値特徴量には標準化を適用して前処理を行う。
• 検出された異常数（4件の手動注入異常のうち）、再構成誤差（AEs/VAEs用）、異常スコア（Isolation Forest用）、シルエットスコア（クラスタリング手法用）の組み合わせを用いてモデルの性能を評価する。
• しきい値ベースの分類を採用：再構成誤差が固定しきい値（AEsでは0.5、VAEsでは0.7）を超えるインスタンス、または異常スコアが学習済みカットオフ値を超えるインスタンスを異常と特定する。

Figure 1 : An example representation of anomalous and normal points in an example data set with two variables, $X$ and $Y$ , taken from Chandola et al. ( 2009 ) .

実験結果

リサーチクエスチョン

• RQ1 ラベル付きデータが限られる生命保険データにおいて、古典的手法（例：Isolation Forest, OCSVM, k-means）が契約レベルの異常をどの程度効果的に検出できるか。
• RQ2 オートエンコーダーをベースとする深層学習モデル（AEs と VAEs）が、従来の機械学習手法に比べて、生命保険データセットにおける異常検出でどれほど優れているか。
• RQ3 自動ハイパーパrameterチューニングは、専門知識のない環境においても、異常検出モデルの頑健性と再現可能性を向上させられるか。
• RQ4 特に大規模または複雑なデータ構造を扱う場合、異なるデータセットにおけるモデルの実行時間とスケーラビリティはどのように変化するか。
• RQ5 アーキテクチャ設計要因（例：深さ、潜在次元）が、オートエンコーダーおよび変分オートエンコーダーの異常検出性能と効率性に与える影響は何か。

主な発見

• 変分オートエンコーダー（VAEs）は、両方のデータセットで4件の手動注入異常をすべて検出する最高の検出率を達成し、それぞれ Dataset 1 で548件、Dataset 2 で512件の合計異常を検出した。
• Isolation Forest は両データセットで古典的手法を上回り、Dataset 1 では4件すべて、Dataset 2 では4件すべての異常を検出。合計でそれぞれ342件と1974件の異常を検出。
• オートエンコーダーは Dataset 1 で224件、Dataset 2 で705件の異常を検出。4件中4件の異常を正しく特定。Dataset 1 では3分未満のトレーニング時間で完了。
• Dataset 2 で最高の性能を示したVAEモデルは、学習率1e-2、950エポック、10次元の潜在空間を採用し、最高の異常検出リコールを達成した。
• DBSCAN や HDBSCAN は、Dataset 2 で高い計算負荷のため処理が完了せず、実行時間は5時間以上にのぼった。一方、Isolation Forest や OCSVM は10秒未満で処理完了。
• Dataset 2 におけるVAEの再構成誤差しきい値0.7は、真陽性の検出を最大化し、偽陽性を最小限に抑える最適な設定であり、結果の手動検査でも確認された。

Figure 2 : Proportion of anomalies and detected manual anomalies (secondary $y$ -axis).