[論文レビュー] The detection of professional fraud in automobile insurance using social network analysis

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

Imbalanced Data Classification Techniques参考文献 10被引用数 12

ひとこと要約

本稿では、被保険者ネットワークにおける巡回的パターンを特定することで、組織的でグループベースの自動車保険詐欺を検出する社会的ネットワーク分析手法を提案する。深さ優先探索（DFS）および幅優先探索（BFS）を用いたサイクル検出アルゴリズムを活用し、実データ（イラン保険会社）を用いて、従来手法よりも高い精度と速度を達成した。検証済みの詐欺検出率と優先順位付けされたケースレビューを実現した。

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.

研究の動機と目的

• 従来の検出手法では検出できない、組織的かつグループベースの自動車保険詐欺を特定する課題に対処すること。
• 詐欺的ネットワークを社会的グラフとしてモデル化し、共謀を示す強力な兆候である巡回構造を特定すること。
• グラフ理論的手法を用いて、高確率で詐欺的と予想されるグループを特定するスケーラブルで効率的なアルゴリズムを開発・評価すること。
• ネットワークの中心性とサイクル確率に基づいて、不審なケースを優先順位付けすることで、詐欺捜査の効率を向上させること。

提案手法

• 被保険者をノードとし、共通の請求や関係性をエッジとして持つ社会的ネットワークとして自動車保険請求を表現する。
• サイクルが共謀の強力な兆候であるため、深さ優先探索（DFS）および幅優先探索（BFS）の木構造を用いてネットワーク内のサイクルを検出する。
• サイクル構造とネットワーク密度に基づいて、各不審な構成要素の詐欺発生確率を計算し、その可能性の順位を付ける。
• イラン保険会社の実取引データを用いてモデルを訓練・検証し、構造的異常を焦点にした分析を行う。
• 詐欺発生確率スコアとネットワークの中心性指標に基づいて、マークされたケースを手動レビューの優先順位に並べ替える。
• 精度、再現率、計算効率の指標を用いて、ベースライン手法と比較して性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 保険請求ネットワークにおける巡回的構造は、どのようにして組織的詐欺グループの検出に活用できるか？
• RQ2 サイクル検出は、自動車保険における詐欺的共謀を特定するうえで、従来手法をどの程度上回るか？
• RQ3 ネットワークベースの確率モデルは、詐欺の可能性に応じて不審なグループを効果的にランク付けできるか？
• RQ4 本手法は、実世界の保険データに適用された場合、どの程度の効率性と正確性を示すか？
• RQ5 本手法は、偽陽性を減らしつつ、共謀的詐欺リングの検出を向上させることができるか？

主な発見

• 提案手法は、巡回的パターンを用いた共謀的共謀の同定において、従来手法よりも高い正確性で詐欺グループを検出できた。
• DFSおよびBFSを用いたサイクル検出により、偽陽性が低減し、検出速度が向上したため、大規模データセットに対してもスケーラブルな手法となった。
• 詐欺グループ同定の時間計算量が顕著に低減され、高リスクケースの優先順位付けが迅速に行えるようになった。
• 詐欺発生確率に基づいて不審な構成要素を効果的に優先順位付けでき、手動レビューのワークフローが効率化された。
• イラン保険会社の実データを用いた検証により、本手法の実用的適用性と実世界環境における頑健性が確認された。
• ネットワーク構造と確率スコアの統合により、特にプロフェッショナルな詐欺リングに対して全体的な検出性能が向上した。