Key points are not available for this paper at this time.
Identitätsbetrug ist wohlbekannt, weit verbreitet und kostspielig; und Betrug bei Kreditanträgen ist ein spezifischer Fall von Identitätsbetrug. Das bestehende nicht-datenbasierte Erkennungssystem aus Geschäftsregeln und Scorecards sowie bekannte Betrugsabgleiche haben Einschränkungen. Um diese Einschränkungen zu beheben und Identitätsbetrug in Echtzeit zu bekämpfen, schlägt dieses Papier ein neues mehrschichtiges Erkennungssystem vor, das durch zwei zusätzliche Schichten ergänzt wird: gemeinschaftliche Erkennung (CD) und Spike-Erkennung (SD). CD findet reale soziale Beziehungen, um den Verdachtswert zu reduzieren, und ist gegen manipulierte soziale Beziehungen resistent. Es ist der whitelist-orientierte Ansatz auf einer festen Menge von Attributen. SD findet Spitzen in Duplikaten, um den Verdachtswert zu erhöhen, und ist gegen Erkundungsversuche für Attribute resistent. Es ist der attribut-orientierte Ansatz auf einer variablen Menge von Attributen. Zusammen können CD und SD mehr Arten von Angriffen erkennen, besser auf sich änderndes rechtliches Verhalten eingehen und redundante Attribute entfernen. Experimente wurden mit mehreren Millionen echten Kreditanträgen an CD und SD durchgeführt. Die Ergebnisse der Daten unterstützen die Hypothese, dass erfolgreiche Muster von Kreditantragsbetrug plötzlich auftreten und scharfe Spitzen in Duplikaten zeigen. Obwohl diese Forschung spezifisch für die Erkennung von Kreditantragsbetrug ist, sind das Konzept der Resilienz sowie Anpassungsfähigkeit und qualitativ hochwertige Daten, die im Papier behandelt werden, allgemein für das Design, die Implementierung und die Bewertung aller Erkennungssysteme.
Phua et al. (Mon,) haben diese Frage untersucht.