Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Kongresse
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Veranstaltungskalender Awards MyNewsletter Firmensuche
Kunden Login
Über Einzelzugang informieren
Über Unternehmenszugang informieren
Referenzkunden
12. Internationaler Motorenkongress 2025 | 25. + 26. Februar 2025

Treffpunkt der Community für Antriebe und nachhaltige Kraftstoffe

Der Kongress beleuchtet die zukünftige Rolle des Verbrennungsmotors und seiner nichtfossilen Kraftstoffe aus globaler Sicht mit führenden Experten. Seien Sie dabei! Weitere Informationen und Buchungsmöglichkeiten finden Sie auf unserer Website.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

11. Big Data for Fraud Detection

verfasst von : Vahid Mojtahed

Erschienen in: Information and Communication Technologies (ICT) in Economic Modeling

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Fraud is domain-specific, and there is no one-solution-fits-all method among fraud detection techniques. To make this chapter more specific and concrete, we provide examples concerning a common type of fraud which is food fraud. Food fraud has irreversible effects since it imposes risks to human life. The aim of this chapter is thus to present a conceptual and methodological solution for real-time fraud detection that can be implemented in the food sector by global food producers, regulatory bodies, or retailers but is generalizable to other domains.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Spider: The Statistical Approach to Value Assignment Problem
Literatur
Barnett, V., & Lewis, T. (1994). Outliers in statistical data. 3rd edition, John Wiley & Sons, Chichester, UK, (pp. 584), ISBN 0-471-93094-6.
Blakeborough, L., & Giro Correira, S. (2017). The scale and nature of fraud: A review of evidence. ISBN 978-1-78655-682-0 (evidence review undertaken by Home Office Analysis and Insight to bring together what is known about the scale and nature of fraud affecting individuals and businesses in the UK)
Button, M., Lewis, C., & Tapley, J. (2009). Fraud typologies and the victims of fraud: literature review. London: National Fraud Authority, 40 p.
Button, M., Lewis, C., & Tapley, J. (2014). Not a victimless crime: The impact of fraud on individual victims and their families. Security Journal, 27(1), 36–54.CrossRef
Cerioli, A., & Farcomeni, A. (2011). Error rates for multivariate outlier detection. Computational Statistics & Data Analysis, 55(1), 544–553.CrossRef
Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM Computing Surveys (CSUR), 41(3), 15.CrossRef
Cressey, D. R. (1950). The criminal violation of financial trust. American Sociological Review, 15(6), 738–743.CrossRef
Filzmoser, P., & Hron, K. (2008). Outlier detection for compositional data using robust methods. Mathematical Geosciences, 40(3), 233–248.CrossRef
Filzmoser, P., Garrett, R. G., & Reimann, C. (2005). Multivariate outlier detection in exploration geochemistry. Computers & Geosciences, 31(5), 579–587.CrossRef
Filzmoser, P., Maronna, R., & Werner, M. (2008). Outlier identification in high dimensions. Computational Statistics & Data Analysis, 52(3), 1694–1711.CrossRef
Garrett, R. G. (1989). The chi-square plot: A tool for multivariate outlier recognition. Journal of Geochemical Exploration, 32(1–3), 319–341.CrossRef
Gogoi, P., Borah, B., & Bhattacharyya, D. K. (2010). Anomaly detection analysis of intrusion data using supervised & unsupervised approach. Journal of Convergence Information Technology, 5(1), 95–110.CrossRef
Hudson, A., Thomas, M., & Brereton, P. (2016). Food incidents: Lessons from the past and anticipating the future. New Food, 19, 35–39.
Johnson, R. A., & Wichern, D. W. (2002). Applied multivariate statistical analysis (Vol. 5). Upper Saddle River, NJ: Prentice Hall.
Kassem, R., & Higson, A. (2012). The new fraud triangle model. Journal of Emerging Trends in Economics and Management Sciences, 3(3), 191.
Lane, T., & Brodley, C. E. (1997). Sequence matching and learning in anomaly detection for computer security. In AAAI Workshop: AI Approaches to Fraud Detection and Risk Management, pp. 43–49.
Matsumura, E. M., & Tucker, R. R. (1992). Fraud detection: A theoretical foundation. Accounting Review, 753–782.
Patcha, A., & Park, J.-M. (2007). An overview of anomaly detection techniques: Existing solutions and latest technological trends. Computer Networks, 51(12), 3448–3470.CrossRef
R Core Team. (2014). R: A language and environment for statistical computing. Vienna: R Foundation for Statistical Computing.
Riani, M., Atkinson, A. C., & Cerioli, A. (2009). Finding an unknown number of multivariate outliers. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 71(2), 447–466.CrossRef
Rosseeuw, P. J., & Van Zomeren, B. C. (1990). Unmasking multivariate outliers and leverate points. Journal of the American Statistical Association, 85, 633–639.CrossRef
Rousseeuw, P. J. (1985). Multivariate estimation with high breakdown point. Mathematical Statistics and Applications, 8, 283–297.CrossRef
Spink, J., & Moyer, D. C. (2011). Defining the public health threat of food fraud. Journal of Food Science, 76(9), R157–R163.CrossRef
Tennyson, S. (2008). Moral, social, and economic dimensions of insurance claims fraud. Social Research, 1181–1204.
Wang, C., Viswanathan, K., Choudur, L., Talwar, V., Satterfield, W., & Schwan, K. (2011). Statistical techniques for online anomaly detection in data centers. In 12th IFIP/IEEE International Symposium on Integrated Network Management (IM 2011) and Workshops (pp. 385–392). IEEE.
Wilks, T. J., & Zimbelman, M. F. (2004). Using game theory and strategic reasoning concepts to prevent and detect fraud. Accounting Horizons, 18(3), 173–184.CrossRef
Metadaten
Titel
Big Data for Fraud Detection
verfasst von
Vahid Mojtahed
Copyright-Jahr
2019
Buch
Information and Communication Technologies (ICT) in Economic Modeling

Print ISBN: 978-3-030-22604-6

Electronic ISBN: 978-3-030-22605-3

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-030-22605-3_11

Premium Partner

    Bildnachweise