Anomaly detection with the density based spatial clustering of applications with noise (DBSCAN) to detect potentially fraudulent wire transfers

Abstract

Most anomaly detection models are developed by using expert system methods that mimic human experts. The process to capture the expertise honed by fraud examiners is complicated and practically challenging, often resulting in suboptimal models. This study proposes a clustering-based model that captures hidden characteristics of potentially fraudulent wire transfers with less human intervention and expertise. Clustering methods classify and group observations with similar characteristics, excluding anomalies from major clusters. The choice of a clustering method and its parameters is often subjective and significantly affects a set of resulting clusters. In order to reduce the subjectivity of a clustering method while retaining its strength, this study proposes a clustering model with Density Based Spatial Clustering of Applications with Noise (DBSCAN) to detect potentially fraudulent wire transfers of an insurance company. The results show that the DBSCAN models identifies hidden relationships between the variables not only included but also excluded for the modeling with noise wire transfers while less human intervention is needed for clustering parameter selections.

La mayoría de los modelos de detección de anomalías se desarrollan mediante el uso de métodos de sistemas expertos que imitan a los expertos humanos. El proceso para capturar la experiencia perfeccionada por los examinadores de fraude es complicado y desafiante en la práctica, lo que a menudo resulta en modelos subóptimos. Este estudio propone un modelo basado en agrupaciones que captura características ocultas de transferencias electrónicas potencialmente fraudulentas con menos intervención y experiencia humana. Los métodos de agrupamiento clasifican y agrupan observaciones con características similares, excluyendo anomalías de los grupos principales. La elección de un método de agrupación y sus parámetros es a menudo subjetiva y afecta significativamente al conjunto de agrupaciones resultantes. Para reducir la subjetividad de un método de agrupación y al mismo tiempo conservar su solidez, este estudio propone un modelo de agrupación con agrupación espacial basada en densidad de aplicaciones con ruido (DBSCAN) para detectar transferencias electrónicas potencialmente fraudulentas de una compañía de seguros. Los resultados muestran que los modelos DBSCAN identifican relaciones ocultas entre las variables no solo incluidas sino también excluidas para el modelado con transferencias de ruido, mientras que se necesita menos intervención humana para agrupar las selecciones de parámetros.