[论文解读] 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 12

一句话总结

本文提出一种基于社交网络分析的方法，通过识别索赔人网络中的循环模式来检测有组织的汽车保险欺诈行为。利用循环检测算法（DFS/BFS），该方法能高效发现可疑群体，在伊朗保险公司的真实数据上，其检测准确率和速度均优于以往方法，经验证的欺诈检测率和优先级排序的案件审查均表现优异。

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.

研究动机与目标

• 解决传统检测方法难以识别的有组织、群体性汽车保险欺诈问题。
• 将欺诈网络建模为社交图，以揭示隐藏的结构模式，特别是表明共谋行为的循环结构。
• 开发并评估一种可扩展、高效的算法，利用图论技术识别高概率欺诈群体。
• 基于网络中心性和循环概率对可疑案件进行优先排序，提升欺诈调查效率。

提出的方法

• 将汽车保险索赔表示为社交网络，其中节点为投保人，边表示共享索赔或关联关系。
• 应用深度优先搜索（DFS）和广度优先搜索（BFS）树检测网络中的循环，因为循环是协同欺诈的强指标。
• 基于循环结构和网络密度计算每个可疑组件的欺诈概率，以评估其可能性高低。
• 使用伊朗保险公司的真实交易数据训练并验证模型，重点关注结构异常。
• 根据欺诈概率评分和网络中心性指标对标记的案件进行人工审查优先级排序。
• 通过精确率、召回率和计算效率等指标，与基线方法对比评估性能。

实验结果

研究问题

• RQ1 如何利用保险索赔网络中的循环结构来检测有组织的欺诈群体？
• RQ2 与传统方法相比，循环检测在识别汽车保险欺诈共谋行为方面有多大优势？
• RQ3 基于网络的概率模型能否有效按欺诈可能性对可疑群体进行排序？
• RQ4 该方法在真实世界保险数据上的效率和准确性如何？
• RQ5 该方法能否在提升有组织欺诈团伙检测率的同时减少误报？

主要发现

• 所提方法在识别通过循环模式体现的协同欺诈方面，相比以往方法具有更高的检测准确率。
• 采用DFS和BFS的循环检测显著降低了误报率，并提升了检测速度，使该方法在大规模数据集上更具可扩展性。
• 该方法在欺诈群体识别方面实现了显著的时间复杂度降低，从而支持对高风险案件的快速优先处理。
• 模型成功依据欺诈概率对可疑组件进行优先排序，支持高效的人工审查工作流程。
• 基于伊朗保险公司真实数据的验证结果证实了该方法在真实场景中的实际适用性和鲁棒性。
• 网络结构与概率评分的结合显著提升了整体检测性能，尤其在专业欺诈团伙检测方面表现突出。