[논문 리뷰] The detection of professional fraud in automobile insurance using social network analysis

Arezo Bodaghi, Babak Teimourpour|arXiv (Cornell University)|2018. 05. 24.

Imbalanced Data Classification Techniques참고 문헌 10인용 수 12

한 줄 요약

이 논문은 보험 청구자 네트워크에서 순환 패턴을 식별함으로써 조직적 자동차 보험 사기 탐지를 위한 사회적 네트워크 분석 기법을 제안한다. 깊이 우선 탐색(DFS)/너비 우선 탐색(BFS) 알고리즘을 사용하여, 기존 방법보다 더 높은 정확도와 빠른 속도로 위험한 그룹을 효율적으로 파악한다. 이는 이란 보험회사의 실제 데이터를 바탕으로 검증된 사기 탐지율과 우선순위가 매겨진 사례 검토를 달성한다.

ABSTRACT

The Automobile Insurance Fraud is one of the main challenges for insurance companies. This form of fraud is performed either opportunistic or professional occurring through group cooperation that leads to greater financial losses, while most presented methods thus far are unsuited for flagging these groups. The article has put forward a new approach for identification, representation, and analysis of organized fraudulent groups in automobile insurance through focusing on structural aspects of networks, and cycles in particular, that demonstrate the occurrence of potential fraud. Suspicious groups have been detected by applying cycle detection algorithms (using both DFS, BFS trees), afterward, the probability of being fraudulent for suspicious components were investigated to reveal fraudulent groups with the maximum likelihood, and their reviews were prioritized. The actual data of Iran Insurance Company is used for evaluating the provided approach. As a result, the detection of cycles is not only more efficient, accurate, but also less time-consuming in comparison with previous methods for finding such groups.

연구 동기 및 목표

• 기존 탐지 방법으로는 감지되지 않는 조직적이고 단체 기반의 자동차 보험 사기를 탐지하는 데 도전하는 것.
• 사기 네트워크를 사회적 그래프로 모델링하여, 공모를 시사하는 특별히 순환 구조와 같은 숨겨진 구조적 패턴을 밝혀내는 것.
• 그래프 이론 기법을 활용해 높은 가능성의 사기 그룹을 식별하는 확장성 있고 효율적인 알고리즘을 개발하고 평가하는 것.
• 네트워크 중심성과 순환 확률을 기반으로 위험한 사례를 우선순위에 따라 정렬하여 사기 조사 효율성을 향상시키는 것.

제안 방법

• 청구자들을 노드로, 공통 청구 또는 연결 관계를 간선으로 하여 자동차 보험 청구를 사회적 네트워크로 표현하는 것.
• 순환은 공모를 강력하게 시사하므로, 네트워크 내 순환을 탐지하기 위해 깊이 우선 탐색(DFS) 및 너비 우선 탐색(BFS) 트리를 적용하는 것.
• 순환 구조와 네트워크 밀도를 기반으로 각 의심스러운 구성 요소의 사기 확률을 계산하여 가능성 순으로 순위를 매기는 것.
• 실제 거래 데이터를 이란 보험회사로부터 확보하여 모델을 훈련하고 검증하며, 구조적 이상 현상에 집중하는 것.
• 사기 확률 점수와 네트워크 중심성 측정치를 기반으로 플래그가 설정된 사례를 수동 검토에 우선순위를 매기는 것.
• 기준 방법과의 성능 비교를 위해 정밀도, 재현율 및 계산 효율성 지표를 평가하는 것.

실험 결과

연구 질문

• RQ1 보험 청구 네트워크의 순환 구조는 어떻게 조직적 사기 그룹을 탐지하는 데 활용될 수 있는가?
• RQ2 순환 탐지는 기존 방법에 비해 자동차 보험의 사기 공모를 식별하는 데 얼마나 더 효과적인가?
• RQ3 네트워크 기반의 확률 모델은 사기 가능성에 따라 의심스러운 그룹을 효과적으로 순위 매길 수 있는가?
• RQ4 실제 보험 데이터에 적용했을 때, 제안된 방법은 얼마나 효율적이고 정확한가?
• RQ5 이 방법은 위험한 사기 링을 더 잘 탐지하면서도 잠재적 오류를 줄일 수 있는가?

주요 결과

• 제안된 방법은 이전 접근 방식보다 더 높은 정확도로 사기 그룹을 탐지하였으며, 특히 순환 패턴을 통한 공모 식별에 뛰어난 성능을 보였다.
• DFS와 BFS를 활용한 순환 탐지 기법은 잠재적 오류를 줄이고 탐지 속도를 향상시켜 대규모 데이터셋에 대한 확장성 향상에 기여했다.
• 사기 그룹 식별의 시간 복잡도를 크게 감소시켜 고위험 사례의 우선순위 정렬을 빠르게 할 수 있었다.
• 사기 확률 기반으로 의심스러운 구성 요소를 성공적으로 우선순위에 올려 효율적인 수동 검토 워크플로우를 가능케 하였다.
• 이란 보험회사의 실제 데이터를 통한 검증을 통해 이론적 적용 가능성과 실제 환경에서의 강건성을 확인하였다.
• 네트워크 구조와 확률 스코어링의 통합이 전반적인 탐지 성능을 향상시켰으며, 특히 전문가 수준의 사기 링에 있어 두드러진 효과를 보였다.