[論文レビュー] Survey of Insurance Fraud Detection Using Data Mining Techniques

H. Lookman Sithic, T. Balasubramanian|arXiv (Cornell University)|Sep 3, 2013

Imbalanced Data Classification Techniques参考文献 2被引用数 40

ひとこと要約

本調査は、大規模で複雑なデータセットを分析して不正行動を示すパターンを特定する手法に焦点を当て、保険不正行為を検出するためのデータマイニング技術を検討する。分類、クラスタリング、関連ルールマイニングをコアなアプローチとして評価し、実世界の保険システムにおける検出精度の向上と誤検出の低減においてその有効性を強調する。

ABSTRACT

With an increase in financial accounting fraud in the current economic scenario experienced, financial accounting fraud detection has become an emerging topics of great importance for academics, research and industries. Financial fraud is a deliberate act that is contrary to law, rule or policy with intent to obtain unauthorized financial benefit and intentional misstatements or omission of amounts by deceiving users of financial statements, especially investors and creditors. Data mining techniques are providing great aid in financial accounting fraud detection, since dealing with the large data volumes and complexities of financial data are big challenges for forensic accounting. Financial fraud can be classified into four: bank fraud, insurance fraud, securities and commodities fraud. Fraud is nothing but wrongful or criminal trick planned to result in financial or personal gains. This paper describes the more details on insurance sector related frauds and related solutions. In finance, insurance sector is doing important role and also it is unavoidable sector of every human being.

研究の動機と目的

• 金融不正事案の増加に伴い、データマイニングが保険不正検出において果たす役割を分析すること。
• 保険不正検出に適用可能な主要なデータマイニング技術を特定すること。
• 大規模かつ複雑な保険データを処理するうえで、これらの技術の有効性を評価すること。
• 自動化された保険不正検出システム分野における現在のアプローチと課題を包括的に概説すること。

提案手法

• 本研究は、保険不正検出におけるデータマイニング応用に関する既存文献を系統的にレビューする。
• 不正検出手法を分類、クラスタリング、関連ルールマイニング技術に分類する。
• 意思決定木、ニューラルネットワーク、サポートベクターマシンなどの分類手法は、不正請求を予測する能力について分析する。
• クラスタリング手法は、異常値の検出および類似した請求をグループ化してさらなる調査を可能にする。
• 関連ルールマイニングは、不正を示唆する可能性のある請求属性間の頻度の高いパターンや関係を同定する。
• 本調査は、実世界の保険データセットにおける精度、適合率、再現率、計算効率に基づき、これらの手法の性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 大規模データセットにおける保険不正検出に最も効果的なデータマイニング技術は何か？
• RQ2 分類、クラスタリング、関連ルールマイニングは、不正検出の正確性と効率性においてどのように比較されるか？
• RQ3 特にデータ品質と複雑さの観点から、データマイニングを保険不正検出に適用するうえでの主な課題は何か？
• RQ4 これらの手法は、実際の保険システムにおいて誤検出をどのように低減し、検出率を向上させるか？
• RQ5 現在のデータマイニングに基づく保険不正検出フレームワークにおける制限事項と未解決の研究課題は何か？

主な発見

• データマイニング技術は、大規模なデータセットにおける複雑なパターンの同定により、保険不正検出の向上を著しく実現する。
• サポートベクターマシンやニューラルネットワークなどの分類手法は、不正請求と正当な請求を区別するうえで高い正確性を示す。
• クラスタリング手法は、不正を示唆する可能性のある外れ値や異常な請求パターンの検出に効果的である。
• 関連ルールマイニングは、請求種別と頻度などの請求属性間の隠れた関係を同定し、不正と相関する要因を明らかにする。
• 複数のデータマイニング手法の統合は、全体的な検出性能を向上させるとともに、誤検出率の低減に寄与する。
• その可能性にかかわらず、実世界の保険応用においては、データ品質、特徴選択、モデルの解釈可能性の面で課題が残っている。