Fraud detection in car insurance using unsupervised machine learning

Michelakis, Charalampos - Panagiotis; Μιχελάκης, Χαράλαμπος - Παναγιώτης

dc.contributor.advisor	Bersimis, Sotiris
dc.contributor.advisor	Μπερσίμης, Σωτήριος
dc.contributor.author	Michelakis, Charalampos - Panagiotis
dc.contributor.author	Μιχελάκης, Χαράλαμπος - Παναγιώτης
dc.date.accessioned	2024-06-17T08:48:26Z
dc.date.available	2024-06-17T08:48:26Z
dc.date.issued	2024-06
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/16538
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/3960
dc.description.abstract	Η ανίχνευση απάτης στις ασφάλειες αυτοκινήτων αποτελεί ένα ζήτημα με σημαντικές οικονομικές και ηθικές επεκτάσεις. Μελέτες δείχνουν ότι οι δόλιες αξιώσεις αποζημίωσης στις ασφάλειες αυτοκινήτων αποτελούν το 10%-20% των συνολικών ασφαλιστικών αξιώσεων που υποβάλλονται στην Κεντρική και Ανατολική Ευρώπη. Για το λόγο αυτό, θα διερευνήσουμε τις δυνατότητες αξιοποίησης μεθόδων μη εποπτευόμενης μηχανικής μάθησης για την αντιμετώπιση αυτού του προβλήματος. Συγκεκριμένα, αυτό το προς έρευνα αντικείμενο παραμένει σχετικά ανεξερεύνητο στη βιβλιογραφία ανίχνευσης ασφαλιστικής απάτης, η οποία κατά κύριο λόγο επικεντρώνεται σε ένα περιορισμένο σύνολο μεθόδων μη εποπτευόμενης μηχανικής μάθησης. Η δουλειά μας υιοθετεί μια ευρύτερη προσέγγιση όσον αφορά τις μεθόδους που χρησιμοποιούνται, αντλώντας έμπνευση από τον γενικότερο και ταχέως εξελισσόμενο τομέα της ανίχνευσης ανώμαλων/εκτρόπων παρατηρήσεων. Όσον αφορά την αξιολόγηση αυτών των μεθόδων, αυτή θα διεξαχθεί μέσω μελέτης προσομοίωσης, καθώς η εύρεση δημόσια διαθέσιμων πραγματικών συνόλων δεδομένων, (λόγω του εμπιστευτικού χαρακτήρας τους), είναι εξαιρετικά δύσκολη κα ι αποτελεί σημαντική πρόκληση στην έρευνα του της ανίχνευσης απάτης στις ασφάλειες αυτοκινήτων. Η επιλογή μιας μελέτης προσομοίωσης είναι ο τρόπος με τον οποίο θα «παρακάμψουμε» αυτό το εμπόδιο. Τα προσομοιωμένα σύνολα δεδομένων μας θα είναι το αποτέλεσμα μιας «συνθετικής ανακατασκευής» ενός συνόλου δεδομένων πραγματικού κόσμου, το οποίο χρησιμοποιείται ως "πηγή" για τη δημιουργία τυπικών/μη -δόλιων δειγμάτων δεδομένων, τα οποία στη συνέχεια αναμιγνύονται με πολλούς διαφορετικούς τύπους παραμετρικά δημιουργημένων συνθετικών εκτρόπων παρατηρήσεων. Η δουλειά μας, λοιπόν, θα ολοκληρωθεί με την σύγκριση της απόδοσης σχεδόν τριάντα διαφορετικών αλγορίθμων ανίχνευσης εκτρόπων παρατηρήσεων σε πέντε διαφορετικά (συνθετικά) σενάρια τέτοιων τιμών, η οποία θα μπορούσε να παράσχει νέες πληροφορί ες για την καταπολέμηση της απάτης στις ασφάλειες αυτοκινήτων χρησιμοποιώντας μη εποπτευόμενη μηχανική μάθηση.	el
dc.format.extent	71	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/3.0/gr/	*
dc.title	Fraud detection in car insurance using unsupervised machine learning	el
dc.title.alternative	Ανίχνευση απάτης στις ασφάλειες αυτοκινήτου με χρήση μη-εποπτευόμενης μηχανικής μάθησης	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης	el
dc.description.abstractEN	The detection of fraud in automobile insurance holds significant economic and ethical implications. Studies suggest that fraudulent automobile insurance claims account for 10%-20% of total claims submitted in Central and Eastern Europe. We will explore the possibilities of leveraging unsupervised machine learning methods in tackling this problem. Notably, this research area remains relatively unexplored within the insurance fraud detection literature, which predominantly focuses on a limited set of unsupervised machine learning methods. Our work takes a much broader approach regarding the methods used, drawing inspiration from the more general and rapidly evolving domain of anomaly/outlier detection. Regarding the evaluation of these methods, it is conducted by means of a simulation study, as the scarcity of publicly available real -world data sets, due to their confidential nature, poses a significant challenge in researching automobile insurance fraud. The choice of a simulation study is our way of circumventing this “roadblock”. Our simulated data sets are the outcome of a “synthetic recon struction” of a real world data set, which is used as a “seed” for the generation of typical/non-fraudulent data samples which are then augmented by several dif ferent types of parametrically created synthetic outliers. The culmination of our work is the performance comparison of almost thirty different outlier detection algorithms across five different synthetic outlier scenarios, which could provide new insights for combating fraud in automobile insurance using unsupervised machine learning.	el
dc.contributor.master	Εφαρμοσμένη Στατιστική	el
dc.subject.keyword	Unsupervised machine learning	el
dc.subject.keyword	Fraud detection	el
dc.subject.keyword	Auto insurance	el
dc.date.defense	2024-06-10

Αρχεία σε αυτό το τεκμήριο

Name:: michelakis_thesis.pdf
Μέγεθος:: 3.557Mb
Τύπος:: PDF
Description:: Master thesis

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science

Εμφάνιση απλής εγγραφής

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα