処理中

しばらくお待ちください...

設定

設定

出願の表示

1. WO2020250730 - 不正検知装置、不正検知方法および不正検知プログラム

公開番号 WO/2020/250730
公開日 17.12.2020
国際出願番号 PCT/JP2020/021566
国際出願日 01.06.2020
IPC
G06Q 20/40 2012.1
G物理学
06計算;計数
Q管理目的,商用目的,金融目的,経営目的,監督目的または予測目的に特に適合したデータ処理システムまたは方法;他に分類されない,管理目的,商用目的,金融目的,経営目的,監督目的または予測目的に特に適合したシステムまたは方法
20支払アーキテクチャ,スキーム,またはプロトコル
38支払プロトコル;その詳細
40認証,例.支払人または受取人の識別,顧客または店の信用証明書の立証;支払人の調査および承認,例.信用限度またはネガティブ・リストのチェック
G06Q 40/00 2012.1
G物理学
06計算;計数
Q管理目的,商用目的,金融目的,経営目的,監督目的または予測目的に特に適合したデータ処理システムまたは方法;他に分類されない,管理目的,商用目的,金融目的,経営目的,監督目的または予測目的に特に適合したシステムまたは方法
40金融;保険;税戦略;法人税または所得税の処理
CPC
G06Q 20/40
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
20Payment architectures, schemes or protocols
38Payment protocols; Details thereof
40Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
G06Q 40/00
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
40Finance; Insurance; Tax strategies; Processing of corporate or income taxes
出願人
  • 日本電気株式会社 NEC CORPORATION [JP]/[JP]
発明者
  • 奥田 実 OKUDA Minoru
  • 吉永 直生 YOSHINAGA Naoki
代理人
  • 岩壁 冬樹 IWAKABE Fuyuki
  • 塩川 誠人 SHIOKAWA Masato
優先権情報
2019-10851711.06.2019JP
公開言語 (言語コード) 日本語 (ja)
出願言語 (言語コード) 日本語 (JA)
指定国 (国コード)
発明の名称
(EN) FRAUD DETECTION DEVICE, FRAUD DETECTION METHOD, AND FRAUD DETECTION PROGRAM
(FR) DISPOSITIF DE DÉTECTION DE FRAUDE, PROCÉDÉ DE DÉTECTION DE FRAUDE ET PROGRAMME DE DÉTECTION DE FRAUDE
(JA) 不正検知装置、不正検知方法および不正検知プログラム
要約
(EN) A fraud detection device 80, which detects a fraudulent transaction in the operations of a financial institution, is provided with: a subject data extraction unit 81 that, through unsupervised learning, extracts subject data by excluding normal transaction data from transaction data for operations of a financial institution; a first learning unit 82 that uses learning data, in which data among the subject data which indicates a fraudulent transaction is set as a positive example and the remaining data other than the positive examples is set a negative example, to learn a first hierarchical mixed model; and a data exclusion unit 83 that excludes from the subject data the subject data which has been assessed by means of the first hierarchical mixed model as being a negative example on the basis of the learning data that has been set as a negative example.
(FR) L'invention concerne un dispositif de détection de fraude 80, qui détecte une transaction frauduleuse dans les opérations d'une institution financière, qui comprend : une unité d'extraction de données de sujet 81 qui, par l'intermédiaire d'un apprentissage non supervisé, extrait des données de sujet en excluant des données de transaction normales des données de transaction pour des opérations d'une institution financière ; une première unité d'apprentissage 82 qui utilise des données d'apprentissage, dans lesquelles des données parmi les données de sujet qui indiquent une transaction frauduleuse sont définies en tant qu'exemple positif et les données restantes autres que les exemples positifs sont définies en tant qu'exemple négatif, pour apprendre un premier modèle mixte hiérarchique ; et une unité d'exclusion de données 83 qui exclut des données de sujet les données de sujet qui ont été évaluées au moyen du premier modèle mixte hiérarchique comme étant un exemple négatif sur la base des données d'apprentissage qui ont été définies en tant qu'exemple négatif.
(JA) 金融機関の業務における不正取引を検知する不正検知装置80であって、教師なし学習により金融機関の業務における取引データから正常取引データを除外して対象データを抽出する対象データ抽出部81と、対象データのうち、不正取引を示すデータを正例とし、その正例以外の残りのデータを負例とする学習データを用いて、第一階層型混合モデルを学習する第一学習部82と、対象データから、第一階層型混合モデルにより、負例とした学習データが負例と判別された対象データを除外するデータ除外部83とを備えている。
国際事務局に記録されている最新の書誌情報