JPH08504284A - 予測モデルを用いた不正検出 - Google Patents

Abstract

(57)【要約】 自動化されたシステム、及び方法が、個々の顧客勘定を評価し、既知の変数の中から学習した関係に基づいて不正の可能性がある取引を識別するために、ニューラル・ネットワークのような予測モデルを用いて不正取引を検出する。本システムは、特定の結果に関係する様々な変数の寄与を含む理由コードも出力する。本システムは周期的にその性能を監視し、性能が所定のレベルを下回った時に、モデルの再開発を実施する。

Description

【発明の詳細な説明】 予測モデルを用いた不正検出 関連する出願のクロス・リファレンス 本出願の主題は、1991年12月30日に出願された係属出願の米国特許出願番号07 /814，179、Curt A．Leveyによる「Neura1 Network Having Expert System Func tionality」の主題と関連しており、当該係属出願の開示内容は、ここで参照す ることによって本明細書に組み込まれる。 発明の背景 １．発明の技術分野 本発明は概して、例えばクレジット・カード取引を含んだ、顧客勘定、及び勘 定番号の不正使用検出に関し、より詳しくは、予測モデルを用いて、不正である 可能性の高い取引を分離するために、パターン認識、及び分類を実施する、自動 化された不正検出システム、及び方法に関する。 ２．関連技術の説明 以下の論議において、「クレジット・カード」という用語が、説明のために使 用される。しかし、本明細書中で論ぜられる技法、及び原理は、チャージ・カー ド、銀行自動預金支払機のカード、及びテレフォン・カードのような他のタイプ の顧客勘定に適用可能である。 クレジット・カードの発行者は従来から、カードの紛失、又は盗 難の報告を受けるとすぐに、顧客勘定を停止することによって、不正による損失 を制限しようと試みてきた。通常、この顧客の信用情報は、その後新しい勘定に 移され、新しいカードが発行される。この手順は、紛失、又は盗難が発行者に報 告された後で、紛失した、又は盗難にあったカードの不正な使用を制限するのに 有効なだけである。 しかし、多くの場合、カード所有者の認識なしに不正な使用がなされ、従って 発行者には何も報告されないことが多い。このことは、顧客がカードの紛失、又 は盗難に気付かないか又は、偽造カード、商的な不正、適用業務の不正、又は郵 送中のクレジット・カードの横取りのような他のやり方がとられ、不正がなされ た場合に起こる可能性がある。このような状況全てにおいては、カード所有者が 、彼らの次の月次計算書に見慣れない取引に気付くまで、この不正使用は検出さ れず、その対応する請求金額について争うことになる。不正の検出においてつき まとうこの遅れは結果として重大な損失につながる。ユーザが、正当な取引が無 効であると主張するユーザの不正も考えられる。 クレジット・カードの発行者は、カード所有者がカードの紛失、又は盗難を報 告してくる前に、不正使用の検出を試みることによって、不正による損失を制限 しようと努めてきた。パラメータ分析として１つの典型的な技法が知られている 。パラメータ分析不正検出技法は、単純なブール条件で連結された少数のデータ ベース・フィールドを用いて決定がなされる。このような条件の例は以下のよう なものである。 （24時間内の取引数〉Ｘ）かつ（Ｙドルより大きい額が認証された）時、この 勘定に高リスクのフラグを立てる。 パラメータ分析は、必要とされる検出率、又は必要とされる誤答率のどちらか を満足させるＸ、及びＹの値を提供する。仮定の例では、Ｘ=400、Ｙ=1000のパ ラメータ値は、誤答率が200：１で不正の20％を見付けることができ、Ｘ=６、Ｙ =2000のパラメータ値は、誤答率が20：１で不正８％を見付けることができる。 パラメータ分析が提供する規則は、単一変数を条件とするブール演算（例えば and，or）の組み合わせに制限されるが、データベース管理システム内で容易に 実施される。 パラメータ分析は、不正な行為とそうでない行為を最も的確に区別できる単一 変数を検査することによって、規則を導出する。単一変数の閾値比較のみが使用 されるので、変数間の複雑な相互作用を把握することはできない。これは、シス テムに不正行為と正当な勘定行為を区別する能力を低下させ、結果的に低い検出 率と高い誤答率を与える制限となる。 加えて、効果的な不正検出モデルは一般に従来のパラメータ分析システムが扱 える変数より多くの変数を必要とする。更に、パラメータ分析システムは、新し い不正の手法を見付けるために、頻繁に再開発されなければならず、かつ自動化 された再開発を実施することは困難である。 従って、カード所有者、商人、及び取引に関する有効な情報を使 用して、取引をふるい分け、不正の疑いのある取引を分離し、比較的低い誤答率 を維持する一方で、比較的高い割合で不正を見付ける、自動化されたシステムを 有することが望ましい。そのようなシステムが互いに依存した多数の変数を扱う ことができ、基礎的なシステム・モデルを、不正行為を明らかにする新しいパタ ーンとして再開発できる機能を有することが望ましい。 発明の概要 ニューロ・ネットワークのような予想モデルを用いて個々の顧客勘定を評価し 、既知の変数間の関係を学習したものに基づいて不正の可能性がある取引を識別 する本発明に従って、自動化されたシステム、及び不正な取引を検出するための 方法が提供される。これらの関係は、システムが各取引に対して不正の確率を概 算することを可能にする。ここで、この確率が取引の処理に必要とされる人間の 意志決定に対する出力として提供されるか、又はこの確率が所与の数字を越えた 場合に、発行者に信号が発信される。このシステムは又、特定の結果に関する様 々な要因の寄与を示す理由コードも出力する。最終的に、システムはその性能を 周期的に監視し、性能が所定のレベルを下回った場合に、モデルの再開発を行う 。 図面の簡単な説明 図１は、本発明の実施に関するブロック図である。 図２は、本発明の典型的な出力インタフェイスの一部を形成する、システム・モ ニタ・スクリーンの例である。 図３は、本発明の典型的な出力インタフェイスの一部を形成する、 勘定選択スクリーンの例である。 図４は、本発明の典型的な出力インタフェイスの一部を形成する、取引分析スク リーンの例である。 図５は、本発明の典型的な出力インタフェイスの一部を形成する、顧客情報スク リーンの例である。 図６は、本発明の典型的な出力インタフェイスの一部を形成する、分析者応答ス クリーンの例である。 図７は、本発明の主な機能、及び動作を示すフローチャートである。 図８は、本発明の全体機能アーキテクチャを示すブロック図である。 図９は、ニューロ・ネットワーク内部の単一処理要素を示す図である。 図10は、ニューロ・ネットワーク内の隠れ処理要素を示す図である。 図11は、本発明の事前処理の方法を示すフローチャートである。 図12は、本発明のプロファイル・レコードの作成方法を示すフローチャートであ る。 図13は、本発明のプロファイル・レコードの更新方法を示すフローチャートであ る。 図14は、本発明によるバッチ取引処理システムの動作を示すフローチャートであ る。 図15は、本発明による半リアルタイム取引処理システムの動作を示すフローチャ ートである。 図16は、本発明によるリアルタイム取引処理システムの動作を示すフローチャー トである。 図17は、本発明の取引処理構成要素の全体動作を示すフローチャートである。 図18は、本発明のモジュールCSCOREの動作を示すフローチャートである。 図19は、本発明のDeployNetの動作を示すフローチャートである。 図20は、本発明のカスケード化動作を示すフローチャートである。 図21は、典型的なCFGモデルの定義ファイルの一部である。 好適実施例の説明 これらの図には、例示のみを目的として、本発明の好適実施例が描写されてい る。当業者には、本明細書中に説明した構造、及び方法の代替実施例を、本明細 書中に記載された発明の原理から逸脱することなく実施できることが、以下の論 議から容易に理解されよう。 ここで図１を参照すると、本発明による典型的な実施例、システム100のブロ ック図が示されている。取引情報が、人間によって操作されるクレジット・カー ドの認証端末、及び自動預金支払機（図示せず）などのような従来の情報源から 取引情報を収集する、従来の金融機関データ施設106に接続されたデータ・ネッ トワーク105を介してシステム100に適用される。CPU 101はプログラム記憶域107 に記憶されたソフトウエア・プログラムの命令を実行し、その命令はCPU 101に 様々なシステムの機能を実施するよう指示する。好適実施例では、このソフトウ エアはANSI C言語で記述されており、従来の様々なハードウエア・プラットフォ ーム上で実行されうる。ソフトウエア・プログラムの命令に従って、CPU 101は データ記憶域103内 に、データ・ネットワーク105から得たデータを記憶し、RAM 102を従来の方法で 作業領域として使用する。CPU 101、データ記憶域103、及びプログラム記憶域10 7は共に動作し、不正検出のためのニューラル・ネットワーク・モデル108を提供 する。ニューラル・ネットワーク108は、この情報を処理した後、以下に記述す るように、不正の可能性を示す表示を得るために、その可能性を示す信号がCPU 101から出力装置104に送られる。 好適実施例では、CPU 101はIBMメインフレーム・コンピュータのモデル3090で あり、RAM 102、及びデータ記憶域103はモデル3090 CPUの従来のRAM、ROM、及び ディスク記憶装置であり、出力装置104は、ニューラル・ネットワーク108によっ て生成された信号に基づく結果を印刷するか、又はウインドウ・ベースのインタ フェイス・システムを用いてビデオ・スクリーン上に結果を表示するか、又は以 降のアクセスのために結果をデータベースに送るか、又はその結果に基づいて信 号を後続処理のための認証システム（図示せず）に送るためのいずれかの従来手 段である。 ここで図２ないし図６を参照すると、出力装置104の一部を形成する従来のウ インドウ・ベースのインタフェイス・システム（図示せず）からのスクリーンの 例が示されている。図２では、不正の分析者、又はシステム管理者がシステム性 能を監視できる、システム・モニタ201が示されている。システム・モニタ201は 、遮断スコア202（勘定がこれ以上のスコアでフラグを立てられる）、その遮断 スコアより上のスコアを持つ勘定の数203、及び特定の勘定に関する不 正スコア204と勘定番号205を示す。 図３は分析者が監視によって高リスクの取引を選択できるようなスクロール・ ウインドウ302を含む勘定選択スクリーン301、及び分析者が選択された取引に関 して、後続の操作を選択可能にする一連のボタン303を示している。 図４は不正の分析者が高リスクの各取引を検査し、適切な不正制御操作を決定 することができる取引分析スクリーン401を示している。このスクリーンは勘定 情報402、不正スコア403、不正スコア403に関する理由を表示する、理由コード4 04から導出される説明、及び現在日と直近の７日間の取引情報405と直近の６カ 月間の取引情報406を示す２つのスクロール・ウインドウ405と406を示している 。 図５は分析者が顧客情報にアクセスできる顧客情報スクリーン501を示してお り、そのスクリーンは勘定番号502、顧客氏名503、最良呼出時間504、電話番号5 05、住所506を含んでいる。このスクリーンは又、スクリーン上のボタン507を介 して後続機能へのアクセスも提供する。 図６には、分析者が不正制御のために行った操作を記録することができる分析 者応答スクリーン601が示されている。このスクリーンは情報を記録するための 一連のチェック・ボックス602、コメント・ボックス603、及び他の機能にアクセ スできるスクリーン上のボタン604を含んでいる。 図７を参照すると、システム100の主な機能、及び動作を示す全体のフローチ ャートがされている。第１のニューラル・ネットワ ーク・モデル108は、データ・ネットワーク105からの、過去取引を記述するデー タを使用して、訓練がなされる（701）。次にこのネットワーク・モデルを記述 しているデータが記憶される（702）。モデルの記述が記憶されると、システム1 00は現在取引が処理可能となる。システム100は現在取引に関するデータを得て （703）、現在取引データを、記憶されたネットワーク・モデルに適用する（704 ）。モデル108が不正スコア、及び理由コード（以下で説明）を決定し、それら は、ユーザ、又はデータベースに出力されるか、又は出力装置104を介して別の システムに出力される（705）。 ここで図８を参照すると、システム100の全体機能アーキテクチャが示されて いる。システム100は２つの主要構成要素、即ちモデル開発構成要素801、及び取 引処理構成要素802に分類されている。モデル開発構成要素801は過去データを用 いて、学習した多数の変数間の関係を表す情報を含むニューラル・ネットワーク 108を構築する。同時に、この学習した関係はその変数の行動モデルを形成する 。ニューラル・ネットワークはこの好適実施例において使用されるが、任意のタ イプの予測モデル化技法が使われうる。例示を目的として、本発明はこの明細書 内ではニューラル・ネットワークという言葉で記述される。 取引処理構成要素802は以下の３つの機能を実施する。1）取引処理構成要素80 2は、データを様々な情報源805、806からニューラル・ネットワーク108に供給し 、結果を得て、それらを807に出力することによって、各取引に対する不正の可 能性を決定する。2）適用可能 な場合、取引処理構成要素802はレコードをプロファイル・データベース806内に 作成し、顧客の過去の取引パターンを要約する。3）適用可能な場合、取引処理 構成要素802はプロファイル・データベース806内の適当なレコードを更新する。 本システムの２つの構成要素のそれぞれが、順に説明される。モデル開発構成要素801 ニューラル・ネットワーク：ニューラル・ネットワークは、繰り返しデータに さらされ、内部ウエイト調整を行うことによって、関係を「学習する」技法を用 いる。ニューラル・ネットワークは、迅速なモデル開発と自動化されたデータ分 析を可能にする。基本的に、このようなネットワークは、線形、及び非線形関係 の両方を包含するデータからモデルを構築できる静的モデル化技法を表す。概念 的には回帰分析と類似しているが、ニューラル・ネットワークは、事前に記述す ることなく、独立した変数間の非線形性、及び相互作用を把握できる。言い換え れば、従来の回帰分析は非線形性、及び相互作用を手で検出し、記述する必要が あったが、ニューラル・ネットワークは、これらの作業を自動で実行する。ニュ ーラル・ネットワークのより詳しい記述は、D．E．Rumelhart他の「Learning Rep resentations by Back-Propagating Errors」、Nature v．323，pp．533-36（198 6年）、及びR．Hecht-Nielsenの「Theory of the Backpropagation Neural Netwo rk」、Neural Networks for Perception内のpp．65-93（1992年）を参照されたい 。これらの教示については、ここで参照することにより、本明細書内に組み込ま れる。 ニューラル・ネットワークは、データをお互いにその結合に沿って送る、多く の相互結合されたニューロンのような処理要素からなる。処理要素間の結合の強 さはウエイトによって表される。図９を参照すると、単一処理要素901の図が示 されている。この処理要素は、他の処理要素、又は直接システムに対する入力の どちらかから入力X₁,X₂,...X_nを受け取る。処理要素は、その入力のそれぞれを 、関連するウエイトW₁,W₂,...W_nと乗算し、その結果を全て加算し加重合計902を 形成する。次に処理要素は、転送関数903（典型的には非線形）をその加重合計 に適用し、要素の状態として知られる値Ｚを得る。この状態Ｚは次に加重結合に 沿って別の要素に引き渡されるか、又は出力信号として提供される。状態は短期 間における情報を表現するのに集合的に用いられ、ウエイトは長期の情報、又は 学習を表現する。 ニューラル・ネットワーク内の処理要素は３つの範疇にグループ化されうる。 即ち入力処理要素（入力データ値を受け取る要素）、出力処理要素（出力データ を生成する要素）、及び隠れ処理要素（他の全ての要素）である。隠れ処理要素 の目的は、ニューラル・ネットワークが入力データを、モデルがより高い精度で 所望のマッピングを学習できるような状態に結合させる、中間表現を作成できる ようにすることにある。図10を参照すると、隠れ処理要素の概念を表す図が示さ れている。入力1001は、入力処理要素の層1002に供給される。この入力要素の出 力は、隠れ要素の層1003に引き渡される。通常、幾つかの隠れ要素の層が存在す る。最終的に、隠れ要素は出力要素 の層1004に出力を引き渡し、この出力要素が出力値1005を生成する。 ニューラル・ネットワークはそれらのウエイトを修正することによって、例か ら学習を行う。この「訓練」処理は当業者には公知の一般技法であり、以下のス テップを含む。 1）繰り返し特定の入力/出力作業の例をニューラル・ネットワーク・モデルに提 供する。 2）モデルの出力と所望の出力を比較し、誤差を測定する。 3）誤差を減らすためにモデルのウエイトを修正する。 この一連のステップが、それを更に反復させることによって誤差が減る間は、繰 り返される。この時このネットワークは「訓練済み」と言われる。一旦訓練が完 了すると、このネットワークは新しいデータ入力に対する出力を予測できる。不正関連変数 本発明において、モデルを訓練するために用いられるデータは、個別の取引、 商人、及び顧客の時系列データを含む様々なデータベース・ファイルから提供さ れる。これらのデータはニューラル・ネットワークに提供される前に事前処理さ れるのが望ましく、それが結果的に、元の時系列データより効果的に不正の予測 が行えるように経験的に判定された、不正関連変数の集合のうちの幾つかである ことが望ましい。 図11を参照すると、本発明の事前処理方法のフローチャートが示されている。 個々のフローチャートの要素はモジュール名に関連した名称で指定されている。 事前処理で用いられるデータは、過去データを含む以下の３つのデータベース から提供される。1）過去２年分にあたる過去取引のデータを含む、過去取引デ ータベース1101（認証データベースとも呼ばれる）で、過去データ804と同じデ ータベース内で実施されうる。2）顧客データを含む顧客データベース1103。3） どの勘定が不正行動を有し、いつその不正行動が発生したかを示す不正データベ ース1102。 モジュールreadauth．sas 1104は過去取引データベース1101から取引データを 読み取る。モジュールmatchauth．sas 1105は不正勘定の全てとランダムに選択 された非不正勘定の部分集合を含んでいる新しい取引データ・セットを得るため に、この取引を例とする。新しい取引データ・セットを作成している間、モジュ ールmatchauth．sas 1105は不正データベース1102からの情報を使用し、どの勘 定が不正を有するのか、及びどの勘定が不正を有していないのかを判定する。効 果的なネットワークの訓練に関して、各不正勘定に対して約10の非不正勘定を得 るのが好ましいことが分かっている。 モジュールreadex．sas 1106は顧客データベース1103から顧客データを読み取 る。モジュールmatchex．sas 1107は不正勘定の全てと、モジュールmatchauth． sasによって得られるのと同じ非不正勘定の部分集合を含んでいる新しい顧客デ ータ・セットを得るために、この顧客を例とする。新しい顧客データ・セットを 作成している間、モジュールmatchex．sas 1107は不正データベース1102からの 情報を使用し、どの勘定が不正を有するのか、及びどの勘定が不正を有し ていないのかを判定する。 モジュールmxmerge．sas 1108は、モジュールmatchauth．sas 1105、及びモジ ュールmatchex．sas 1107によって得られたデータ・セットの全てをマージする 。モジュールgenau．sas 1109はこのマージされたデータ・セットを、月次デー タの部分集合に配分する。 モジュールgensamp．sas 1112はモジュールmxmerge．sas 1108によって作成さ れ、genau．sas 1109によって配分されたデータ・セットを例とし、各レコード が特定の日における特定の勘定を、取引行動と共に表現する、sample．ssdと呼 ばれるデータ・セットを作成する。モジュールgensamp．sas 1112は不正データ ベース1102からの情報を使用して、どのレコードが不正かを判定する。モジュー ルgensamp．sas 1112は以下のように認証日の部分集合を提供する。全取引のデ ータベースから、同じ日の同じ顧客に関する複数の取引を取り除くことによって 、有効な勘定日が生成される。有効な勘定日の集合の中において、各勘定日は０ から１のドラフト番号に割り当てられる。このドラフト番号は以下のように割り 当てられる。勘定日が非不正である場合、ドラフト番号は０と１の間のランダム な番号がセットされる。勘定日が不正で、かつその日が不正の第１、又は第２の 日である場合、ドラフト番号は０にセットされる。それ以外の場合は１にセット される。次に最小のドラフト番号を有する25,000の勘定日が、sample．ssd内に 包含されるために選択される。従って、全ての不正な勘定日（25,000まで）と非 不正勘定日の例が、sample．ssdに包含される。 モジュールroll15．sas 1113がローリング・ウインドウのデータとして15日を 生成する。このデータはsample．ssdでリストされたそれぞれの勘定日に対して 複数のレコードを有する。現在日、及び14の以前の日が、それぞれの例の勘定に ついてリストされる。 モジュールroll15to7．sas 1117はroll15のデータ・セットを使用し、そのう ち８から15までの日をフィルタし、roll7、即ち７日からなるローリング・ウイ ンドウのデータ・セット1119を作成する。８から15までの日は無視される。モジ ュールgenrolv．sas 1118は、以前の15日の取引のローリング・ウインドウに関 する入力変数を生成する。このモジュールは、勘定毎に複数でかつ、その数が様 々なレコードを有するデータ・セットを処理し、勘定毎に１つのレコードを有す るデータ・セットを作成する。その結果はrollv．ssdと呼ばれる。 モジュールroll15tol．sas 1114はroll15のデータ・セットを使用し、現在日 以外の日をフィルタし、roll1を作成する。モジュールgencurv．sas 1115はroll 1を使用し、現在日において発生する取引を記述する現在日変数1116を生成する 。 モジュールgenprof．sasはプロファイル・レコード1111を形成するプロファイ ル変数を生成する。 モジュールmerge．sas 1120はプロファイル・レコード1111、１日変数1116、 及び７日変数1119を結合させ、以下にリストするような新しい不正関連変数を、 前記結合結果から生成する。前記モジュールは又、rollv．ssdとフィルタされた 例を含むプロファイル・データ ・セットをマージして、プロファイル、及びローリング・ウインドウ変数の両方 を有する単一データ・セットを生成する。この結果はmod1n2データ・セット1121 と呼ばれ（訓練セットとも呼ばれる）、ネットワークを訓練するために必要な不 正関連変数を含んでいる。モジュールScaler 1122は基準化された訓練セット内 の、各変数に対する平均値が0.0で、標準偏差が1.0になるように基準化し、基準 化されたmod1n2データ・セット1123を生成する。 多くの不正関連変数が、上記の事前処理方法による変数を用いて生成されうる 。好適実施例で使用される不正関連変数には次のようなものがある。 ・１日の中での時間、及び１週間の中での日を表す顧客使用パターン・プロファ イル ・クレジット・カードの満期日 ・現在日において、各SIC（標準工業分類）商人グループ分類で費やされたドル の額 ・現在日において、各SIC商人グループ分類の顧客によって費やされたドルの割 合 ・現在日において、各SIC商人グループ分類での取引件数 ・現在日において、各SIC商人グループ分類での取引件数の割合 ・不正率（高、中、又は低リスク）によるSIC商人グループ分類の類別 ・顧客タイプ（最も頻繁にあるSIC分類を使用する顧客のグループ）によるSIC商 業グループ分類の類別 ・不正率（高、中、又は低リスク）による地理的領域の類別 ・顧客タイプによる地理的領域の類別 ・取引間の平均日数 ・取引間の日数の分散 ・１日の取引間の平均時間 ・１日の取引間の時間の分散 ・同じ商人における複数の取引拒否の数 ・州外取引の数 ・取引拒否の平均数 ・現在日までの１年間における高残高 ・取引額 ・取引日、及び時間 ・取引タイプ 考えられうる追加の不正関連変数が、以下にリストされる。 （現在日）カード所有者不正関連変数 bweekend-（現在日）週末とみなされる現在の日時を示すブール変数 cavapvdl-（現在日）認可のためのドル平均額 cavapvdl-（現在日）認可のためのドル平均額 cavaudl- （現在日）認証についてのドルの日平均 ccoscdom-（現在日）月における日数のcos、即ちcos（day（（datepart（cst_ dt）*&TWOPI）/30）） ccoscdow-（現在日）週における日数のcos、即ちcos（weekday（（datepart（ cst_dt）*&TWOPI）/7）） ccoscmoy-（現在日）年における月数のcos、即ちcos（month（（datepart（cs t_dt）*&TWOPI）/12）） cdom- （現在日）月における日数 cdow- （現在日）週における日数 chdzip- （現在）カード所有者の郵便番号 chibal- （現在日）高残高 chidcapv-（現在日）単一現金認可に関するドルの最高額 chidcdec-（現在日）単一現金拒否に関するドルの最高額 chidmapv-（現在日）単一売買認可に関するドルの最高額 chidmdec-（現在日）単一売買拒否に関するドルの最高額 chidsapv-（現在日）単一認可に関するドルの最高額 chidsau- （現在日）単一認証に関するドルの最高額 chidsdec-（現在日）単一拒否に関するドルの最高額 cmoy- （現在日）年における月数 cratdcau-（現在日）認証に対する拒否率 csincdom-（現在日）月における日数のsin、即ちsin（day（（datepart（cst_ dt）*&TWOPI）/30）） csincdow-（現在日）週における日数のsin、即ちsin（weekday（（datepart（ cst_dt）*&TWOPI）/7）） csincmoy-（現在日）年における月数のsin、即ちsin（month（（datep art（cst_dt）*&TWOPI）/12）） cst_dt- （現在日）郵便番号、及び中部標準時間から導かれた中部標準時間 における日時 ctdapv- （現在日）認可の合計ドル ctdau- （現在日）認証の合計ドル ctdcsapv-（現在日）現金事前認可の合計ドル ctdcsdec-（現在日）現金事前拒否の合計ドル ctddec- （現在日）拒否の合計ドル ctdmrapv-（現在日）売買認可の合計ドル ctdmrdec-（現在日）売買拒否の合計ドル ctnapv- （現在日）認可数の合計 ctnau- （現在日）認証数の合計 ctnau10d-（現在日）１日の認証〈=$10となる日数 ctnaudy- （現在日）１日の認証数の合計 ctncsapv-（現在日）現金事前認可数の合計 ctncsapv-（現在日）現金認可数の合計 ctncsdec-（現在日）現金事前拒否数の合計 ctndec- （現在日）現金拒否数の合計 ctnmrapv-（現在日）売買認可数の合計 ctnmrdec-（現在日）売買拒否数の合計 ctnsdapv-（現在日）現在日と同じ曜日の認可数の合計 ctnwdaft-（現在日）平日午後の認可数の合計 ctnwdapv-（現在日）平日の認可数の合計 ctnwdeve-（現在日）平日夕方の認可数の合計 ctnwdmor-（現在日）平日朝の認可数の合計 ctnwdnit-（現在日）平日夜の認可数の合計 ctnweaft-（現在日）週末午後の認可数の合計 ctnweapv （現在日）週末の認可数の合計 ctnweeve （現在日）週末夕方の認可数の合計 ctnwemor （現在日）週末朝の認可数の合計 ctnwenit （現在日）週末夜の認可数の合計 currbal （現在日）現在の残高 cvrandl （現在日）認証についてのドルの１日に亘る分散 czratel （現在日）郵便番号リスク・グループ１「郵便番号 非常に高い不 正率」 czrate2 （現在日）郵便番号リスク・グループ２「郵便番号 高い不正率」 czrate3 （現在日）郵便番号リスク・グループ３「郵便番号 やや高い不正 率」 czrate4 （現在日）郵便番号リスク・グループ４「郵便番号 中程度の不正 率」 czrate5 （現在日）郵便番号リスク・グループ５「郵便番号 やや低い不正 率」 czrate6 （現在日）郵便番号リスク・グループ６「郵便番号 低い不正率」 czrate7 （現在日）郵便番号リスク・グループ７「郵便番号 非常に低い不 正率」 czrate8 （現在日）郵便番号リスク・グループ８「郵便番号 不正率未確認 」 ctdsfa01 （現在日）SIC問屋グループ01の取引の合計ドル ctdsfa02 （現在日）SIC問屋グループ02の取引の合計ドル ctdsfa03 （現在日）SIC問屋グループ03の取引の合計ドル ctdsfa04 （現在日）SIC問屋グループ04の取引の合計ドル ctdsfa05 （現在日）SIC問屋グループ05の取引の合計ドル ctdsfa06 （現在日）SIC問屋グループ06の取引の合計ドル ctdsfa07 （現在日）SIC問屋グループ07の取引の合計ドル ctdsfa08 （現在日）SIC問屋グループ08の取引の合計ドル ctdsfa09 （現在日）SIC問屋グループ09の取引の合計ドル ctdsfa10 （現在日）SIC問屋グループ10の取引の合計ドル ctdsfa11 （現在日）SIC問屋グループ11の取引の合計ドル ctdsra01 （現在日）SIC不正率グループ01の取引の合計ドル ctdsra02 （現在日）SIC不正率グループ02の取引の合計ドル ctdsra03 （現在日）SIC不正率グループ03の取引の合計ドル ctdsra04 （現在日）SIC不正率グループ04の取引の合計ドル ctdsra05 （現在日）SIC不正率グループ05の取引の合計ドル ctdsra06 （現在日）SIC不正率グループ06の取引の合計ドル ctdsra07 （現在日）SIC不正率グループ07の取引の合計ドル ctdsva01 （現在日）SIC VISAグループ01の合計ドル ctdsva02 （現在日）SIC VISAグループ02の合計ドル ctdsva03 （現在日）SIC VISAグループ03の合計ドル ctdsva04 （現在日）SIC VISAグループ04の合計ドル ctdsva05 （現在日）SIC VISAグループ05の合計ドル ctdsva06 （現在日）SIC VISAグループ06の合計ドル ctdsva07 （現在日）SIC VISAグループ07の合計ドル ctdsva08 （現在日）SIC VISAグループ08の合計ドル ctdsva09 （現在日）SIC VISAグループ09の合計ドル ctdsva10 （現在日）SIC VISAグループ10の合計ドル ctdsva11 （現在日）SIC VISAグループ11の合計ドル ctnsfa01 （現在日）SIC問屋グループ01の取引数の合計 ctnsfa02 （現在日）SIC問屋グループ02の取引数の合計 ctnsfa03 （現在日）SIC問屋グループ03の取引数の合計 ctnsfa04 （現在日）SIC問屋グループ04の取引数の合計 ctnsfa05 （現在日）SIC問屋グループ05の取引数の合計 ctnsfa06 （現在日）SIC問屋グループ06の取引数の合計 ctnsfa07 （現在日）SIC問屋グループ07の取引数の合計 ctnsfa08 （現在日）SIC問屋グループ08の取引数の合計 ctnsfa09 （現在日）SIC問屋グループ09の取引数の合計 ctnsfa10 （現在日）SIC問屋グループ10の取引数の合計 ctnsfa11 （現在日）SIC問屋グループ11の取引数の合計 ctnsra01 （現在日）SIC不正率グループ01の取引数の合計 ctnsra02 （現在日）SIC不正率グループ02の取引数の合計 ctnsra03 （現在日）SIC不正率グループ03の取引数の合計 ctnsra04 （現在日）SIC不正率グループ04の取引数の合計 ctnsra05 （現在日）SIC不正率グループ05の取引数の合計 ctnsra06 （現在日）SIC不正率グループ06の取引数の合計 ctnsra07 （現在日）SIC不正率グループ07の取引数の合計 ctnsva01 （現在日）SIC VISAグループ01の合計 ctnsva02 （現在日）SIC VISAグループ02の合計 ctnsva03 （現在日）SIC VISAグループ03の合計 ctnsva04 （現在日）SIC VISAグループ04の合計 ctnsva05 （現在日）SIC VISAグループ05の合計 ctnsva06 （現在日）SIC VISAグループ06の合計 ctnsva07 （現在日）SIC VISAグループ07の合計 ctnsva08 （現在日）SIC VISAグループ08の合計 ctnsva09 （現在日）SIC VISAグループ09の合計 ctnsva10 （現在日）SIC VISAグループ10の合計 ctnsva11 （現在日）SIC VISAグループ11の合計 （７日）カード所有者不正関連変数 raudymdy （７日）ウインドウ内の日数に対する認証日の率 ravapvdl （７日）認可のためのドル平均額 ravaudl （７日）認証毎のドルのウインドウに亘る平均 rddapv （７日）１日の認可のドル平均 rddapv2 （７日）１日の、認証があった日における認可のドル平均 rddau （７日）１日の、認証があった日における認証のドル平 均 rddauall （７日）１日の、ウインドウ内の全日における認証のドル平均 rddcsapv （７日）１日の現金認可のドル平均 rddcsdec （７日）１日の現金拒否のドル平均 rdddec （７日）１日の拒否のドル平均 rdddec2 （７日）１日の、認証があった日における拒否のドル平均 rddmrapv （７日）１日の売買認可のドル平均 rddmrdec （７日）１日の売買拒否のドル平均 rdnapv （７日）１日の認可数の平均 rdnau （７日）１日の、認証があった日における認証数の平均 rdnauall （７日）１日の、ウインドウ内の全日における認証数の平均 rdncsapv （７日）１日の現金認可数の平均 rdncsdec （７日）１日の現金拒否数の平均 rdndec （７日）１日の拒否数の平均 rdnmrapv （７日）１日の売買認可数の平均 rdnmrdec （７日）１日の売買拒否数の平均 rdnsdap2 （７日）１日の、認可のあった日だけについて計算された、認可と 同じ曜日の認可数の平均 rdnsdapv （７日）１日の、週における現在日と同じ日の認可数の平均 rdnwdaft （７日）１日の平日午後の認可数の平均 rdnwdapv （７日）１日の平日の認可数の平均 rdnwdeve （７日）１日の平日夕方の認可数の平均 rdnwdmor （７日）１日の平日朝の認可数の平均 rdnwdnit （７日）１日の平日夜の認可数の平均 rdnweaft （７日）１日の週末午後の認可数の平均 rdnweapv （７日）１日の週末の認可数の平均 rdnweeve （７日）１日の週末夕方の認可数の平均 rdnwemor （７日）１日の週末朝の認可数の平均 rdnwenit （７日）１日の週末夜の認可数の平均 rhibal （７日）ウインドウの最高残高 rhidcapv （７日）単一現金認可に関するドル最高額 rhidcdec （７日）単一現金拒否に関するドル最高額 rhidmapv （７日）単一売買認可に関するドル最高額 rhidmdec （７日）単一売買拒否に関するドル最高額 rhidsapv （７日）単一認可に関するドル最高額 rhidsau （７日）単一認証に関するドル最高額 rhidsdec （７日）単一拒否に関するドル最高額 rhidtapv （７日）１日の認可に関する合計ドル最高額 rhidtau （７日）１日の認証に関する合計ドル最高額 rhidtdec （７日）１日の拒否に関する合計ドル最高額 rhinapv （７日）１日の最高認可数 rhinau （７日）１日の最高認証数 rhindec （７日）１日の最高拒否数 rnaudy （７日）任意の認証があったウインドウ内の日数 rnausd （７日）任意の認証があった同じ曜日の日数 rnauwd （７日）任意の認証があったウインドウ内の平日の日数 rnauwe （７日）任意の認証があったウインドウ内の週末の日数 rncsandy （７日）現金認証があったウインドウ内の日数 rnmraudy （７日）売買認証があったウインドウ内の日数 rtdapv （７日）認可の合計ドル rtdau （７日）認証の合計ドル rtdcsapv （７日）現金事前認可の合計ドル rtdcsdec （７日）現金事前拒否の合計ドル rtddec （７日）拒否の合計ドル rtdmrapv （７日）売買認可の合計ドル rtdmrdec （７日）売買拒否の合計ドル rtnapv （７日）認可数の合計 rtnapvdy （７日）１日の認可数の合計 rtnau （７日）認証数の合計 rtnau10d （７日）ウインドウ内の認証〈=$10である認証の数 rtncsapv （７日）現金事前認可数の合計 rtncsdec （７日）現金事前拒否数の合計 rtndec （７日）拒否数の合計 rtnmrapv （７日）売買認可数の合計 rtnmrdec （７日）売買拒否数の合計 rtnsdapv （７日）現在日と同じ曜日の認可数の合計 rtnwdaft （７日）平日午後の認可数の合計 rtnwdapv （７日）平日の認可数の合計 rtnwdeve （７日）平日夕方の認可数の合計 rtnwdmor （７日）平日朝の認可数の合計 rtnwdnit （７日）平日夜の認可数の合計 rtnweaft （７日）週末午後の認可数の合計 rtnweapv （７日）週末の認可数の合計 rtnweeve （７日）週末夕方の認可数の合計 rtnwemor （７日）週末朝の認可数の合計 rtnwenit （７日）週末夜の認可数の合計 rvraudl （７日）認証毎のドルのウインドウに亘る分散 （プロファイル）カード保有者不正関連変数 paudymdy- （プロファイル）月の日数に対する認証日数の率 pavapvdl- （プロファイル）認可に関するドル平均額 pavaudl- （プロファイル）認証毎のドルの月平均 pchdzip- （プロファイル）カード所有者の最後の郵便番号 pdbm- （プロファイル）最終プロファイル更新時における「メンバになっ た日付」の値 pddapv- （プロファイル）認可のドルの平均 pddapv2- （プロファイル）認証のあった日の認可のドルの日平均 pddau- （プロファイル）認証のあった日の認証のドルの日平均 pddau30- （プロファイル）月の全ての日の認証のドルの日平均 pddcsapv- （プロファイル）現金認可のドルの日平均 pddcsdec- （プロファイル）現金拒否のドルの日平均 pdddec- （プロファイル）拒否のドルの日平均 pdddec2- （プロファイル）認証のあった日の拒否のドルの日平均 pddmrapv- （プロファイル）売買認可のドルの日平均 pddmrdec- （プロファイル）売買拒否のドルの日平均 pdnapv- （プロファイル）認可数の日平均 pdnau- （プロファイル）認証のあった日の認証数の日平均 pdnau30- （プロファイル）月の全ての日の認証数の日平均 pdncsapv- （プロファイル）現金認可数の日平均 pdncsdec- （プロファイル）現金拒否数の日平均 pdndec- （プロファイル）拒否数の日平均 pdnmrapv- （プロファイル）売買認可数の日平均 pdnmrdec- （プロファイル）売買拒否数の日平均 pdnwlap2- （プロファイル）認証があった日曜日の認可数の平均 pdnwlapv- （プロファイル）日曜日（週の第１日）の認可数の平均 pdnw2ap2- （プロファイル）認証があった月曜日の認可数の平均 pdnw2apv- （プロファイル）月曜日（週の第２日）の認可数の平均 pdnw3ap2- （プロファイル）認証があった火曜日の認可数の平均 pdnw3apv- （プロファイル）火曜日（週の第３日）の認可数の平均 pdnw4ap2- （プロファイル）認証があった水曜日の認可数の平均 pdnw4apv- （プロファイル）水曜日（週の第４日）の認可数の平均 pdnw5ap2- （プロファイル）認証があった木曜日の認可数の平均 pdnw5apv- （プロファイル）木曜日（週の第５日）の認可数の平均 pdnw6ap2- （プロファイル）認証があった金曜日の認可数の平均 pdnw6apv- （プロファイル）金曜日（週の第６日）の認可数の平均 pdnw7ap2- （プロファイル）認証があった土曜日の認可数の平均 pdnw7apv- （プロファイル）土曜日（週の第７日）の認可数の平均 pdnwdaft- （プロファイル）平日午後の認可数の日平均 pdnwdapv- （プロファイル）平日の認可数の日平均 pdnwdeve- （プロファイル）平日夕方の認可数の日平均 pdnwdmor- （プロファイル）平日朝の認可数の日平均 pdnwdnit- （プロファイル）平日夜の認可数の日平均 pdnweaft- （プロファイル）週末午後の認可数の日平均 pdnweapv- （プロファイル）週末の認可数の日平均 pdnweeve- （プロファイル）週末夕方の認可数の日平均 pdnwemor- （プロファイル）週末朝の認可数の日平均 pdnwenit- （プロファイル）週末夜の認可数の日平均 pexpir- （プロファイル）プロファイルに記憶された満期日；現在日〉満期 日の場合は更新 phibal- （プロファイル）月次の最高残高 phidcapv- （プロファイル）１カ月の単一現金認可のドル最高額 phidcdec- （プロファイル）１カ月の単一現金拒否のドル最高額 phidmapv- （プロファイル）１カ月の単一売買認可のドル最高額 phidmdec- （プロファイル）１カ月の単一売買拒否のドル最高額 phidsapv- （プロファイル）１カ月の単一認可のドル最高額 phidsau- （プロファイル）１カ月の単一認証のドル最高額 phidsdec- （プロファイル）１カ月の単一拒否のドル最高額 phidtapv- （プロファイル）１日の認可に関するドル合計最高額 phidtau- （プロファイル）１日の認証に関するドル合計最高額 phidtdec- （プロファイル）１日の拒否に関するドル合計最高額 phinapv- （プロファイル）１日の最高認可数 phinau- （プロファイル）１日の最高認証数 phindec- （プロファイル）１日の最高拒否数 pmlavbal- （プロファイル）月の最初の10日間の平均残高 pmlnauths-（プロファイル）月の最初の10日間の認証数 pm2avbal- （プロファイル）月の２番目の10日間の平均残高 pm2nauths-（プロファイル）月の２番目の10日間の認証数 pm3avbal- （プロファイル）月の残りの日の平均残高 pm3nauths-（プロファイル）月の最後の部分の認証数 pmovewt- （プロファイル）最後の郵便番号を使って最新の住所変更を判定す る；以前の１カ月間に住所変更した場合pmovewt=2；pmovew pnaudy- （プロファイル）認証のあった日数 pnauwl- （プロファイル）１カ月間で任意の認証のあった日曜日の数 pnauw2- （プロファイル）１カ月間で任意の認証のあった月曜日の数 pnauw3- （プロファイル）１カ月間で任意の認証のあった火曜日の数 pnauw4- （プロファイル）１カ月間で任意の認証のあった水曜日の数 pnauw5- （プロファイル）１カ月間で任意の認証のあった木曜日の数 pnauw6- （プロファイル）１カ月間で任意の認証のあった金曜日の数 pnauw7- （プロファイル）１カ月間で任意の認証のあった土曜日の数 pnauwd- （プロファイル）１カ月間で任意の認証のあった平日の数 pnauwe- （プロファイル）１カ月間で任意の認証のあった週末の数 pncsaudy- （プロファイル）１カ月間で現金認証のあった日数 pnmraudy- （プロファイル）１カ月間で売買認証のあった日数 pnweekday-（プロファイル）１カ月間の平日の数 pnweekend-（プロファイル）１カ月間の週末の数 pratdcau- （プロファイル）認証に対する拒否の率 profage- （プロファイル）勘定がプロファイルを持っていた月数（６カ月ま で） psdaudy- （プロファイル）１カ月間の取引間の日数の標準偏差 psddau- （プロファイル）１カ月間の認証毎のドルの標準偏差 ptdapv- （プロファイル）１カ月間の認可の合計ドル ptdau- （プロファイル）１カ月間の認証の合計ドル ptdaudy- （プロファイル）１日の認証の合計ドル ptdcsapv- （プロファイル）１カ月間の現金事前認可の合計ドル ptdcsdec- （プロファイル）１カ月間の現金事前拒否の合計ドル ptddec- （プロファイル）１カ月間の拒否の合計ドル ptdmrapv- （プロファイル）１カ月間の売買認可の合計ドル ptdmrdec- （プロファイル）１カ月間の売買拒否の合計ドル ptdsfa01- （プロファイル）SIC問屋グループ01の取引の合計ドル ptdsfa02- （プロファイル）SIC問屋グループ02の取引の合計ドル ptdsfa03- （プロファイル）SIC問屋グループ03の取引の合計ドル ptdsfa04- （プロファイル）SIC問屋グループ04の取引の合計ドル ptdsfa05- （プロファイル）SIC問屋グループ05の取引の合計ドル ptdsfa06- （プロファイル）SIC問屋グループ06の取引の合計ドル ptdsfa07- （プロファイル）SIC問屋グループ07の取引の合計ドル ptdsfa08- （プロファイル）SIC問屋グループ08の取引の合計ドル ptdsfa09- （プロファイル）SIC問屋グループ09の取引の合計ドル ptdsfa10- （プロファイル）SIC問屋グループ10の取引の合計ドル ptdsfa11- （プロファイル）SIC問屋グループ11の取引の合計ドル ptdsra01- （プロファイル）SIC不正率グループ01の取引の合計ドル ptdsra02- （プロファイル）SIC不正率グループ02の取引の合計ドル ptdsra03- （プロファイル）SIC不正率グループ03の取引の合計ドル ptdsra04- （プロファイル）SIC不正率グループ04の取引の合計ドル ptdsra05- （プロファイル）SIC不正率グループ05の取引の合計ドル ptdsra06- （プロファイル）SIC不正率グループ06の取引の合計ドル ptdsra07- （プロファイル）SIC不正率グループ07の取引の合計ドル ptdsva01- （プロファイル）SIC VISAグループ01の合計ドル ptdsva02- （プロファイル）SIC VISAグループ02の合計ドル ptdsva03- （プロファイル）SIC VISAグループ03の合計ドル ptdsva04- （プロファイル）SIC VISAグループ04の合計ドル ptdsva05- （プロファイル）SIC VISAグループ05の合計ドル ptdsva06- （プロファイル）SIC VISAグループ06の合計ドル ptdsva07- （プロファイル）SIC VISAグループ07の合計ドル ptdsva08- （プロファイル）SIC VISAグループ08の合計ドル ptdsva09- （プロファイル）SIC VISAグループ09の合計ドル ptdsva10- （プロファイル）SIC VISAグループ10の合計ドル ptdsva11- （プロファイル）SIC VISAグループ11の合計ドル ptnapv- （プロファイル）１カ月間の認可数の合計 ptnapvdy- （プロファイル）１日の認可数の合計 ptnau- （プロファイル）１カ月間の認証数の合計 ptnau10d- （プロファイル）１カ月間の認証〈=$10である認証の数 ptnaudy- （プロファイル）１日の認証数の合計 ptncsapv- （プロファイル）１カ月間の現金事前認可数の合計 ptncsdec- （プロファイル）１カ月間の現金事前拒否数の合計 ptndec- （プロファイル）１カ月間の拒否数の合計 ptndecdy- （プロファイル）１日の拒否数の合計 ptnmrapv- （プロファイル）１カ月間の売買認可数の合計 ptnmrdec- （プロファイル）１カ月間の売買拒否数の合計 ptnsfa01- （プロファイル）SIC問屋グループ01の取引数の合計 ptnsfa01- （プロファイル）SIC問屋グループ02の取引数の合計 ptnsfa03- （プロファイル）SIC問屋グループ03の取引数の合計 ptnsfa04- （プロファイル）SIC問屋グループ04の取引数の合計 ptnsfa05- （プロファイル）SIC問屋グループ05の取引数の合計 ptnsfa06- （プロファイル）SIC問屋グループ06の取引数の合計 ptnsfa07- （プロファイル）SIC問屋グループ07の取引数の合計 ptnsfa08- （プロファイル）SIC問屋グループ08の取引数の合計 ptnsfa09- （プロファイル）SIC問屋グループ09の取引数の合計 ptnsfa10- （プロファイル）SIC問屋グループ10の取引数の合計 ptnsfa11- （プロファイル）SIC問屋グループ11の取引数の合計 ptnsra01- （プロファイル）SIC不正率グループ01の取引数の合計 ptnsra02- （プロファイル）SIC不正率グループ02の取引数の合計 ptnsra03- （プロファイル）SIC不正率グループ03の取引数の合計 ptnsra04- （プロファイル）SIC不正率グループ04の取引数の合計 ptnsra05- （プロファイル）SIC不正率グループ05の取引数の合計 ptnsra06- （プロファイル）SIC不正率グループ06の取引数の合計 ptnsra07- （プロファイル）SIC不正率グループ07の取引数の合計 ptnsva01- （プロファイル）SIC VISAグループ01の合計数 ptnsva02- （プロファイル）SIC VISAグループ02の合計数 ptnsva03- （プロファイル）SIC VISAグループ03の合計数 ptnsva04- （プロファイル）SIC VISAグループ04の合計数 ptnsva05- （プロファイル）SIC VISAグループ05の合計数 ptnsva06- （プロファイル）SIC VISAグループ06の合計数 ptnsva07- （プロファイル）SIC VISAグループ07の合計数 ptnsva08- （プロファイル）SIC VISAグループ08の合計数 ptnsva09- （プロファイル）SIC VISAグループ09の合計数 ptnsva10- （プロファイル）SIC VISAグループ10の合計数 ptnsva11- （プロファイル）SIC VISAグループ11の合計数 ptnw1apv- （プロファイル）日曜日（週の第１日）の認可数の合計 ptnw2apv- （プロファイル）月曜日（週の第２日）の認可数の合計 ptnw3apv- （プロファイル）火曜日（週の第３日）の認可数の合計 ptnw4apv- （プロファイル）水曜日（週の第４日）の認可数の合計 ptnw5apv- （プロファイル）木曜日（週の第５日）の認可数の合計 ptnw6apv- （プロファイル）金曜日（週の第６日）の認可数の合計 ptnw7apv- （プロファイル）土曜日（週の第７日）の認可数の合計 ptnwdaft- （プロファイル）１カ月間の平日午後の認可数の合計 ptnwdapv- （プロファイル）１カ月間の平日の認可数の合計 ptnwdeve- （プロファイル）１カ月間の平日夕方の認可数の合計 ptnwdmor- （プロファイル）１カ月間の平日朝の認可数の合計 ptnwdnit- （プロファイル）１カ月間の平日夜の認可数の合計 ptnweaft- （プロファイル）１カ月間の週末午後の認可数の合計 ptnweapv- （プロファイル）１カ月間の週末の認可数の合計 ptnweeve- （プロファイル）１カ月間の週末夕方の認可数の合計 ptnwemor- （プロファイル）１カ月間の週末朝の認可数の合計 ptnwenit- （プロファイル）１カ月間の週末夜の認可数の合計 pvdaybtwn-（プロファイル）取引間の日数（３取引の最小日数）の分散 pvraudl- （プロファイル）認証毎のドルの１カ月の分散 （商人）不正変数 mtotturn （商人）特定商人に関する取引高合計 msicturn （商人）SICコードの累積取引高 mctrtage （商人）特定商人に関する契約年数 maagsic （商人）SICコードに関する平均契約年数 mavgnbtc （商人）バッチ取引の平均数 maamttrx （商人）取引あたりの平均額（認証あたりの平均額） mvaramt （商人）取引あたりの金額の分散 mavgtbtc （商人）バッチ取引の平均時間間隔 mavgtaut （商人）商人に対する認証の平均時間間隔 mratks （商人）鍵のある取引と盗難取引の比率 mnidclac （商人）同一の顧客勘定の数 mnidcham （商人）同一の請求金額の数 mtrxsrc （商人）取引の情報源（ATM、商人等） mtrxtrsp （商人）取引の情報源への転送方法（端末、非端末、音声認証） mfloor （商人）フロア制限 mchgbks （商人）受領したチャージ・バック mrtrvs （商人）受領した検索（SIC毎、商人毎等）、発行者は検索の代金 を支払う macqrat （商人）リスク管理率の取得（ヨーロッパでは１商人が複数の取得 を行えるが、いくつ取得したか、又は誰が取得したかについてのレコードは有し ていない） mprevrsk （商人）当該商人における以前のリスク管理率が存在するか？はい /いいえ mtyprsk （商人）以前のリスク管理のタイプ（偽造、複数の押印、紛失/盗 難/未受領） msicrat （商人）SICリスク管理率 mpctaut （商人）認証された取引の割合 ネットワーク訓練：事前処理が完了すると、これらの不正関連変数はネットワ ークに供給されて、ネットワーク訓練が行われる。好 適実施例は、「前方供給（feed foward）」ニューラル・ネットワークとして知 られるモデル化技法を用いる。このタイプのネットワークは訓練方法を用いて、 変数間の関係を定義するパラメータを評価する。他の公知のニューラル・ネット ワークの訓練の方法が利用可能だが、好適な訓練方法は、当業者には公知の「バ ックプロパゲーション降下勾配最適化（backpropagation gradient descent opt imization）」と呼ばれる方法である。 従来のバックプロパゲーション法で構築されたニューラル・ネットワークの１ つの問題は汎用性に乏しいことである。汎用性はニューラル・ネットワークの予 測値の尺度である。汎用性を最大にしようとする試みは、データにアンダーフィ ットしないほど十分に複雑性を備え、しかしデータにオーバフィットするほどの 複雑性を備えていないネットワーク・モデルを選択することとして解釈される。 ネットワークの複雑性の尺度の１つは、隠れ処理要素の数であり、汎用性を最大 にしようとする努力は、異なる数の隠れ処理要素を有するモデルの中から選択を 行うことに向けられた。不幸にして、余分な複雑性を伴うことなく隠れ処理要素 を追加することによって、問題に関して必要とされる非線形性が全て得られない 場合がしばしばある。新しい隠れ処理要素のおのおのの追加によってもたらされ た多くのウエイトは必要とされないか、又は近い将来のモデル化作業の助けにも ならない。これらの余分なウエイトはネットワークをデータの特質、又は「ノイ ズ」に適応させる傾向にあり、従って新しいケースにうまく一般化させることが できない。この問題はオーバ ーフィットとして知られており、通常は余分なウエイトのために起こる。 ウエイトを削減することは、モデルの予測力を犠牲にすることなくオーバーフ ィットを最小にするニューラル・ネットワークの開発方法である。この方法は最 初、多くの隠れ処理要素提供することによって、ネットワークが必要とする全て の非線形性を有したネットワークを提供する。続いて、この方法は、近似作業に 必要なウエイトだけが残るように、全ての変化の程度に対するウエイトを削減す る。以下の２つの主な前提が使用される。1）訓練データ・セットに性能の同じ ２つのモデルが与えられた場合、より小さいモデルを用いる。2）バックプロパ ゲーション・アルゴリズムの一部として複雑性にペナルテイーを課すコスト関数 を使用する。ネットワークはこのコスト関数を最小化することによって訓練され る。複雑性はそれがデータ内に含まれる情報を表現するものとしてのみ正当化さ れる。全て、又はほとんど全てのデータ内の情報を表現し、全てのノイズを表現 しないウエイトの集合は、汎用性と性能を最大にする。 コスト関数はネットワークの訓練に使用される通常の誤差関数に「項目削減」 を導入することによって構成される。コスト関数は、ネットワークが訓練セット 内の全ての重要な情報を見付けられるが、訓練セットのノイズ、又はランダム特 性には適用しないように、モデルを最適化するよう設計されている。これらの要 求から見ると、コスト関数は、予測誤差だけでなく、モデルのウエイトの重要性 も考慮に入れなければならない。これら２つの項目の組み合わせは、 最小化された時に最適に一般化されるオブジェクト・タイプの関数を生じる。こ のオブジェクト・タイプの関数と共に従来の降下勾配を実行すると、モデルが最 適化される。 項目削減の導入において、情報を構成するものについて仮説がたてられる。目 標は、以前のウエイトの分配を正確に仮定する項目削減を選択することにある。 以前の良好な分配を見付けた時、ウエイトがデータの知識なしに所与の分配を有 する可能性を検査する。 Advances in Neural Information Processing Systems 3，pp．875-82におけ るWeigend他による「Genera1ization by Weight-Elimination with Application to Forecasting」がウエイト削減のための以下のコスト関数を開示しており、 ここで参照することによって本明細書中に組み込まれる。 ここで： Ｄはデータ・セット； target_kはデータ・セットの要素ｋに関する目標、又は所望の値； output_kはデータ・セットの要素ｋに関するネットワークの出力； ｌは複雑性項目に関連した重要性を表す； Ｗはウエイト・セット； Ｗ_iはウエイトｉの値； Ｗ_oはウエイトにペナルテイーを課す曲線形状を制御する定数； Weigendの関数の第１項は、ネットワークの性能を測定し、第２ 項はそのサイズの項でネットワークの複雑性を測定する。このコスト関数によっ て、小さなウエイトは急激に削減され、大きなウエイトは徐々に削減されるか、 又は全く削減されない。 Weigendのコスト関数、及び同様のウエイト削減技法の主たる欠点は、それら が意図された以前の分配を正確に再現できないことにある。良好な以前の分配（ 又は「以前」）を見付けることは、効果的なモデルを作る鍵となる。文献内の「 以前」の殆どは、ウエイト削減の概念を論証するには有効だが、幅広い問題に対 応するのに必要な能力に欠ける。これは「以前」が、（更に多くの情報を含んだ ）重要なウエイトと（より少ない情報を含んだ）重要でないウエイトとを効果的 に識別することなく、所与の処理要素に関して公平にウエイト削減を行うために 起こる。このことは結果として、しばしば以下の２つのうちどちらかをもたらす 。1）重要なウエイトに望ましくない削減がなされ、非線形性に適用するシステ ムの能力が減らされる。2）余分な重要でないウエイトの望ましくない維持がな され、オーバフィッティングに陥る。 本発明は以下の改良型コスト関数を使用し、上述の問題に対応する。 ここでｇは削減率に関する層間利得乗数（interlayer gain multiplier）とし て知られる新しい項を表し、Ｃ₁は定数である。この層間利得乗数はネットワー クの入力、及び出力の終わりに対するウエ イトの相対的近似を考慮に入れている。従って、この層間利得乗数は、入力によ り近い要素に、より大きな潜在力を有する削減項を適用することができ、その場 合、典型的に常駐するウエイトの大部分は、出力により近い要素に対応するウエ イトの過度の削減を避けている間、それらの除去が効果的に入力側の多くのウエ イトを分離するため、より重要になる。 入力側のウエイトの削減を強化することによって、式２のコスト関数はモデル 開発構成要素801の能力を改良し、価値のある情報を含む処理要素を保存してい る間に個々のウエイトを削減する。結果として、不十分な相互作用が排除され、 有効な相互作用が維持される。できるだけ多くの処理要素を維持することによっ て、モデルは非線形性をモデル化する能力を失わず、不必要な個々のウエイトが 除去されるため、依然としてオーバフィッティングの問題が低減されている。 コスト関数が繰り返しネットワークに適用されると、非常に少ない数（ｅで定 義される）に削減されたウエイトがネットワークから除去される。ウエイトを０ に削減することがしはしは困難であるため、「ネットワークの閾値操作（thresh olding the net）」として知られるこのステップが実行される。 過去データを用いてネットワークが訓練されると、ネットワーク・モデルの定 義がデータ・ファイルに記憶される。「CFG」ファイルと呼ばれるこの定義の一 部分は、例えば変数の長さ、変数のタイプ、変数の範囲等の情報を含んだ、ネッ トワークの入力変数に関するパ ラメータを指定する。ここで図21を参照すると、ACCOUNT変数2101（顧客勘定番 号を表す）、及びPAUDYMDY変数2102（１カ月の日数で除算された取引日数を表す プロファイル変数）に関するパラメータを指定している典型的なCFGファイルの 一部が示されている。 ネットワークに関する他のモデル定義ファイルを記憶するために使用されるフ ァイル・フォーマットが以下に示される。 ASCIIファイル・フォーマット ASCIIネットワーク・データ・ファイル（.cta，.sta，.lca，.wta）はホワイ トスペース（スペース、タブ、改行（newline））で区切られたトークン（非ホ ワイトスペース）から成る。ホワイトスペースはトークンを分離する以外は無視 される。明快さのために行の区切り、及びタブの使用が奨励されるが、それ以外 のものは不適切である。 ファイル・フォーマットの表記は以下の通りである。 ＊括弧で括られたテキストはトークンを示している。 ＊括弧で括られていないテキストは、文字を含む、正確に対応付けされるべきリ テラル・トークンを示している。 ＊右側のコメントはファイル・フォーマットの一部分ではなく、単に、そのフォ ーマットについての更なる記述を提供するものである。 ＊コメント内では、垂直行が繰り返し可能なブロックを表記する。ネストされた 垂直行が繰り返し可能なサブ・ブロックを表記する。 ．cta フオーマツト ファイル・フォーマット コメント cts 〈NetName〉 〈Value〉 ｜必要に応じて繰り返される cts、及び〈NetName〉が最初に現れなければならない。〈NetName〉は標準的 省略形であり、小文字である（例えば、mbpn）。〈Value〉は定数構造体の中に 定義された順序で表される、ネットワーク定数の値である。定数の値が配列、又 は構造体タイプである場合、各要素、又は各フィールドは、適切な順序で現れる 別のトークンでなければならない。 例 コメント cts mbpn 2 InputSize 1 OutputSize 1 cHidSlabs 2 HiddenSize［0］ 0 HiddenSize［1］ 0 HiddenSize［2］ 3 RandomSeed 1.0 InitWeightMax 0 WtsUpdateFlag 0 ConnectInputs 0 FnClass 1.0 Parml 1.0 Parm2 -1.0 Parm3 0.0 Parm4 0.0 Parm5 1 cEntTbl 0.0 xLow 0.1 xHigh 0.2 HiddenAlpha［0］ 0.0 HiddenAlpha［1］ 0.0 HiddenAlpha［2］ 0.1 OutputAlpha 0.9 HiddenBeta［0］ 0.0 HiddenBeta［1］ 0.0 HiddenBeta［2］ 0.9 OutputBeta 0.0 Tolerance 0 WtsUpdateFlag 0 BatchSize 0 LinearOutput 0 ActTblFlag 1 StatsFlag 1 LearnFlag この例では、HiddenSize、HiddenAlpha、及びHiddenBetaは全て配列であり、 従って各要素（0,1,2）は、そのタイプ内で現れる順序を持った別のトークンを 有する。 ．sta フォーマット ファイル・フォーマット コメント sts 〈NetName〉 〈cSlab〉 〈nSlab〉 ｜cSlab回繰り返される 〈cPe〉 ｜ 〈state〉 ｜｜cPe回繰り返される sts、及び〈NetName〉が最初に現れなければならない。〈NetName〉は標準的 省略形であり、小文字である。〈cSlab〉はファイル内に記憶された状態を有す るスラブの数である。ファイルの残りはcSlab個のブロックから成り、そのおの おのが１つのスラブの状態を記述している。ファイル内のスラブ・ブロックの順 序は重要ではない。〈nSlab〉はxxx．hファイル内に定義されるスラブの数であ る。cPeはスラブに関する状態の数である。〈state〉は１つの状態の値である。 状態のタイプが配列、又は構造体タイプである場合、各要素、又は各フィールド は、適切な順序で現れる別のトークンでなければならない。スラブ・ブロック内 にはcPe個の〈state〉の値がなければならない。 例 コメント sts mbpn 6 cSlab 0 nSlab--SlabInMbpn 2 cPeIn 0.0 StsIn［0］ 0.0 StsIn［1］ 1 nSlab--SlabTrnMbpn 1 cPeTrn 0.0 StsTrn［0］ 2 nSlab--SlabHidOMbpn 2 cPeHidO 0.0 StsHidO［0］ 0.0 StsHidO［1］ 5 nSlab--SlabOutMbpn 1 cPeOut 0.0 StsOut［0］ 6 nSlab--SlabBiasMbpn 1 cPeBias 1.0 StsBias［0］ 7 nSlab--SlabStatMbpn 3 cPeStat 0.0 StsStat［0］ 0.0 StsStat［1］ 0.0 StsStat［2］ ．lca フォーマット ファイル・フォーマット コメント lcl 〈NetName〉 〈cSlab〉 〈nSlab〉 ｜ cSlab回繰り返される 〈cPe〉 ｜ 〈local〉 ｜ ｜cPe回繰り返される この．lcaフォーマットは、stsがlclに置き換えられた以外は、．staフォーマ ットと同じである。lcl、及び〈NetName〉が最初に現れなければならない。〈Ne tName〉は標準的省略形であり、小文字である。〈cSlab〉はファイル内に記憶さ れたローカル・データを有するスラブの数である。ファイルの残りはcSlab個の ブロックから成り、その おのおのが１つのスラブのローカル・データの値を記述している。〈nSlab〉はx xx．hファイル内に定義されるスラブの数である。ファイル内のスラブ・ブロッ クの順序は重要ではない。cPeはスラブに関するローカル・データの値の数であ る。〈local〉は１つのローカル・データの要素の値である。ローカル・データ のタイプが配列、又は構造体タイプである場合、各要素、又は各フィールドは、 適切な順序で現れる別のトークンでなければならない。スラブ・ブロック内には cPe個の〈local〉の値がなければならない。 例 コメント lcl mbpn 3 cSlab 2 nSlab--SlabHidOMbpn 2 cPe 0.0 LclHidO[0]．Error 0.0 LclHidO［0］．NetInp 0.0 LclHidO［1］．Error 0.0 LclHidO［1］．NetInp 5 nSlab--SlabOutMbpn 1 cPe 0.0 LclOut［0］．Error 0.0 LclOut［0］．NetInp 7 nSlab--SlabStatMbpn 3 cPe 0 LclStat［0］．cIter 0.0 LclStat［0］．Sum 0 LclStat［1］．cIter 0.0 LclStat［1］．Sum 0 LclStat［2］．cIteｒ 0.0 LclStat［2］．Sum この例では、〈local〉の値が全て構造体タイプであり、従って各フィールド （Error、及びNetInp；cIter、及びSum）は、そのタイプ内で現れる順序を持っ た別のトークンを有する。 ．wta フォーマット ファイル・フォーマット コメント wts 〈NetName〉 〈cClass〉 〈nSlab〉 ｜cClass回繰り返される 〈nClass〉 ｜ 〈cIcn〉 ｜ 〈weight〉 ｜｜cIcn回繰り返される wta、及び〈NetName〉が最初に現れなければならない。〈NetName〉は標準的 省略形であり、小文字である。〈cClass〉はファイル内に記憶されたウエイトを 有するスラブとクラスの組み合わせの数である。ファイルの残りはcClass個のブ ロックから成り、そのおのおのが１つのスラブのウエイトを記述している。ファ イル内のクラス・ブロックの順序は重要ではない。〈nSlab〉はxxx．hファイル 内に定義されるスラブの数である。〈nClass〉はxxx．hファイル内に定義される クラスの数である。〈weight〉は１つのウエイトの値である。ウエイトのタイプ が配列、又は構造体タイプである場合、各要素、又は各フィールドは、適切な順 序で現れる別のトークンでなければならない。スラブ・ブロック内にはcIcｎ個 の〈weight〉の値がなければならない。 例 コメント wts mbpn 2 cClass 2 nSlab--SlabHidOMbpn 0 nClass--PeHidOMbpnFromPrev 6 cIcn 0.0 WtSHidO［PE_O］［0］ 0.0 WtsHidO［PE_O］［1］ 0.0 WtsHidO［PE_O］［2］ 0.0 WtsHidO［PE_l］［0］ 0.0 WtsHidO［PE_l］［1］ 0.0 WtsHidO［PE_l］［2］ 5 nSlab--SlabOutMbpn 0 nClass--PeOutMbpnFromPrev 3 cIcn 0.0 WtsOut［pE_O］［0］ 0.0 WtsOut［PE_O］［1］ 0.0 WtsOut［PE_O］［2］ スラブとクラスに関するウエイトの値は一次元配列として記憶されるが、概念 的には２つの値、即ちPE、及びPE内の相互結合によって索引付けされる。これら の値はここで例示するように、行優先順で記憶される。取引処理構成要素802 モデルが一旦構築され、訓練され、記憶されると、不正検出が開始される。シ ステム100の取引処理構成要素802は従来の認証、又は顧客取引に関する郵送シス テムの環境下で実行するのが望ましい。取引処理構成要素802はデータベース805 、806から現在取引データ、及び顧客データを読み取り、各取引毎に不正の可能 性を示す不正スコアの出力としてそれを生成する。更に、取引処理構成要素802 は、不正の可能性を所与の閾値と比較し、その閾値を越えた取引に関してフラグ を立てることができる。 データベース805からの現在取引データは通常、ドル取引額、日付、時間（必 要であれば標準時間帯）、認可/拒否コード、現金/売買コード、信用度（又は残 高）、クレジット・ライン、商人分類コード、商人郵便番号、及びPINの確認（ 適用可能であれば）等の情報を含んでいる。 データベース806からの顧客データは通常、以下の３つの情報源からの情報を 含んでいる。1）顧客の一般情報。2）直前の７日間の認可、及び拒否取引全ての データ。3）直前の６カ月に亘る顧客の取引パターンを記述するデータを含むプ ロファイル・レコード。顧客に関する一般情報は通常、顧客郵便番号、勘定開設 日、及び満期日等の情報を含んでいる。プロファイル・レコードは、顧客の取引 パターンを移動平均法によって要約したプロファイル・データベース内の単一レ コードである。プロファイル・レコードは以下に記述するように、周期的に（通 常は月次）顧客の該当期間内の全取引を用いて更新される。 システム100はバッチ、半リアルタイム、又はリアルタイム・システムのいず れかとして動作可能である。これらの各形態の構造、及び処理フローがここで記 述される。 バッチ・システム：図14にバッチ・システムの動作が示されている。取引は１ 日中、又は他の好適な期間で記録される（1402）。１日の終わりに、システムは 各取引毎にステップ1403からステップ1409までを実行する。システムは過去デー タ、顧客データ、及びプロファイル・データを得る（1404）と共に、現在取引を 記述したデータを得る （1403）。システムは次にこのデータをニューラル・ネットワークに適用し（14 05）、不正スコアを得る（1406）。この不正スコアか閾値を越えた場合（1407） 、勘定にはフラグが立てられる（1408）。従ってバッチ・システムでは、高い不 正スコアを与えられた取引は、それ自身は遮断されず、むしろ将来の取引が不可 能となるように、１日の終わりでその勘定にフラグが立てられる（1404）。バッ チ・システムでは不正取引の迅速な検出はできないが、幾つかの実施例において は、応答時間を確保するためにバッチ・システムの使用を余儀なくされている。 半リアルタイム・システム：半リアルタイム・システムはバッチ・システムと 同様の方法で動作し、同様のデータ・ファイルを使用するが、このシステムはた だ１つの高スコア取引だけが、勘定にフラグが立てられる前に認証されることを 保証する。このシステムでは、図15に示すように、取引が認証された（1503）直 後に不正の可能性を判定する処理（ステップ1504からステップ1509）が実施され る。ステップ1504からステップ1509は、図14に示されたバッチ・システムのステ ップ1403からステップ1409に対応する。不正の可能性が高ければ、その勘定は、 将来の取引ができないようにフラグが立てられる（1509）。従って、バッチ・シ ステムの場合と同様、現在取引は遮断されないが、半リアルタイム・システムで は、後続の取引を遮断することができる。 リアルタイム・システム：リアルタイム・システムは、取引が認証される前に 、不正の可能性を判定する処理を実施する。応答時間を 確保するための制限のため、 リアルタイム・システムを使用する場合のデータベースへのアクセス・コールの 回数を最小限にすることが望ましい。従って、この実施例では、一般情報、及び 過去取引データを含む顧客情報の全てが、プロファイル・データベース806の単 一レコード内にある。プロファイル・データベース806は、この取引処理構成要 素が動作を開始する前に、過去データ、及び顧客データから生成され、以下で記 述するように各取引の後で更新される。全ての必要なデータが一カ所におかれる ため、システムはバッチ・システム、又は半リアルタイム・システムより迅速に データを検索することができる。プロファイル・データベース806を現在の状態 に維持するために、各取引の後に、適用可能な個所では移動平均法が用いられて 、プロファイル・レコードが更新される。 図16を参照すると、プロファイル・データベースを用いたリアルタイム・シス テムのフローチャートが示されている。取引に関する認証のための商人のリクエ ストを受け取ると（1602）、システムは、顧客に関する取引パターンを要約した プロファイル・データを得る（1604）のと共に、現在取引に関するデータを得る （1603）。システムは次にこのデータを記憶されたニューラル・ネットワークに 適用する（1605）。（取引に関する不正の可能性を表す）不正スコアか得られ、 閾値と比較される（1607）。ステップ1601ないしステップ1607は取引が認証され る前に処理され、従ってこの不正スコアは認証システムに送られ（1608）、取引 がその閾値を越えた場合に、認証システムに よって遮断される。閾値を越えない場合、その低い不正スコアは認証システムに 送られる（1609）。システムは次に、新しい取引データを用いて顧客のプロファ イル・データベース806を更新する（1610）。従って、このシステムでは、（プ ロファイル・データベース806が周期的にしか更新されないバッチ・システム、 及び半リアルタイム・システムと異なり）プロファイル・データベース806は常 に最新である。 ここで図12を参照すると、プロファイル・レコードの作成方法が示されている 。システムは顧客に関するプロファイル・レコードが存在しない時にこの方法の ステップを実施する。システムは過去６カ月間に関して過去取引データベース11 01を読み取り、かつ顧客データベース1103を読み取る（それぞれステップ1202、 及びステップ1203で行う）。システムは得られたデータを用いて新しいプロファ イル・レコードを生成（1204）し、それをプロファイル・データベースにセーブ する（1205）。処理すべき勘定がまだあれば（1206）、システムはステップ1202 ないしステップ1205を繰り返す。 図13を参照すると、既存のプロファイル・レコードを更新する方法が示されて いる。システムは過去６カ月間に関して過去取引データベース1101を読み取り、 顧客データベース1103を読み取り、かつプロファイル・データベースを読み取る （それぞれステップ1302、ステップ1303、及びステップ1304で行う）。システム はそのデータをプロファイル・データベース内の各変数に関する単一の値に統合 する。この値は１つ、又は２つの公式を用いて生成される。 ある期間に亘る平均値を表す変数に関しては（例えば１カ月の取 引のドル平均）、式３が使用される。 newProfData=（（１-ａ）* oldProfData）+（ａ * currentVal））（式３） ある期間に亘る最大値を表す変数に関しては（例えば最大月次残高）、式４が 使用される。 newProfData=max（currentVal，b * oldProfData）（式４） 式３、及び式４において： newProfDataはプロファイル変数に関する新しい値； oldProfDataはプロファイル変数に関する古い値； currentValは過去取引データベースからの最新の変数の値； ａ、及びｂは最近の月には重要性を大きくし、より過去の月には重要性を小さく するために使用される削減要因。 ｂの値は、許容可能な率でより古いデータが削減されるようにセットされる。 ｂの典型的な値は0.95である。 ａの値は以下のように生成される。バッチ・システム、及び半リアルタイム・ システムでは、６カ月より前からの値の影響を０に近づけるようにａがセットさ れる。少なくとも６カ月間存在していたプロファイルに関しては、ａの値は1/6 にセットされる。より新しいプロファイルに関しては、ａの値は1/（n+1）にセ ットされ、ここでｎはプロファイルが作成されてから現在までの月数である。リ アルタイム・システムに関しては、プロファイルの更新は規則的間隔では起こら ない。従って、ａは以下の式を用いて決定される。 ａ=１-exp（-t/T）（式５） ここ式において： ｔは現在取引と最後の取引との間隔； Ｔは特定の変数に関する定数。 更に、リアルタイム・システムに関しては、currentValが、現在取引に関する 情報、及び最後の取引からの時間のみを用いて、他のいかなる時系列情報を参照 することなく、評価された変数の値を表現する。 プロファイルに関するこの新しい値が生成されると、それらは更新されたプロ ファイル・レコード内に置かれ（1305）、プロファイル・データベース内にセー ブされる（1306）。処理されるべき勘定がまだある場合（1307）、システムはス テップ1302ないし1306を繰り返す。 これらの全ての実施例において、現在取引データ、及び顧客データは、経験的 に効果的な不正の予測ができると判定されている不正関連変数を導出するために 、事前処理されるのが好ましい。これはニューラル・ネットワークの訓練に関連 して上述されたものと同じ技法、及び不正関連変数を用いて行われる。 図17ないし図19を参照すると、取引処理構成要素の好適実施例の動作を表すフ ローチャートが示されている。フローチャートの個々の要素の幾つかは、モジュ ールの名前と対応する符号によって示されている。 図17を参照すると、取引処理構成要素802の全体動作が示されている。最初に システムはモジュールCINITNET 1702を実行し、これがネットワーク構造を初期 化する。次にシステムはモジュールCSCO RE 1703を実行する。モジュールCSCORE 1703は現在取引行動データ、過去７日間 に亘る取引を記述したデータ、プロファイル・レコード、及び顧客データを使用 して、理由コード（以下で記述）と共に、現在取引が不正である可能性を示す不 正スコアを生成する。システムは次に処理すべき取引があるかどうかを調べ（17 04）、全ての残りの取引に対してモジュールCSCORE 1703を繰り返す。処理すべ き取引がなくなった場合、システムはモジュールFREENET 1705を実行し、ネット ワーク構造を解放してネットワーク構造が以降の処理で使用できるようにする。 図18を参照すると、モジュールCSCORE 1703の動作が示されている。最初にモ ジュールCSCORE 1703は現在取引データ、過去７日間の取引を記述したデータ、 プロファイル・レコード、及び顧客データを得る（ステップ1802ないしステップ 1805）。これらのデータからモジュールCSCORE 1703は上述の不正関連変数を生 成する（1806）。次にシステムはモジュールDeployNet 1807を実行し、この不正 関連変数を記憶されたニューラル・ネットワークに適用し、不正スコア、及び理 由コードを提供する。 図19を参照すると、モジュールDeployNet 1807の動作が示されている。モジュ ールDeployNet 1807は最初に不正関連変数を基準化し（1902）、モデル開発で以 前実施された基準化と突き合わせる。変数の値が一致しない場合、Dep1oyNetは その値に訓練セットで見付けた値の平均値をセットする。次にDeployNetは、ス テップ1903で、その基準化された変数をニューラル・ネットワーク108の入力層 に適 用する。ステップ1904で、Dep1oyNetは適用されたデータをネットワークを介し て処理し、不正スコアを生成する。このネットワークを繰り返す方法は当業者に はよく知られている。 ステップ1904では、不正スコアの提供に加えて、モジュールDeployNet 1807が オプションで「理由コード」を生成する。これらのコードは、モデルに対するど の入力が、所与の取引に関する不正スコアを決定するのに最も重要であるかを示 すものである。このような理由を記録できるあらゆる技法が使用可能である。好 適実施例では、米国出願における同時係属出願の米国特許出願番号07/814，179 、Curt A．Leveyによる1991年12月30日出願の「Neural Network Having Expert System Functionality」に記述されている技法が使用され、開示された技法は、 ここで参照することにより、本明細書に組み込まれる。 以下のモジュールの説明は個々のモジュールによって実施される関数を要約し ている。 FALCON C ファイル ファイル名：CINITNET 説明：ネットワーク構造を割り当て、初期化するコードを含む。 関数名：CINITNET（） 説明：ネットワーク構造を割り当て、初期化する。 ファイル名：CSCORE 説明：不正関連変数を生成し、ニューラル・ネットワークを繰り返す。 関数名：SCORE（） 説明：未処理変数より不正関連変数を生成し、入力層の初期化、及びニュー ラル・ネットワークの繰り返しを行うための呼出しを行う。 関数名：setInput（） 説明：入力層内の処理要素に入力値をセットする。 関数名：hiReason（） 説明：スコアに関する３つの最大の理由を見付ける。 ファイル名：CFREENET 説明：ネットワーク構造を解放するための関数呼出しを行う。 関数名：CFREENET（） 説明：ネットワーク構造を解放する。 ファイル名：CCREATEP 説明：カード所有者プロファイル作成コードを含む。 関数名：createpf（） 説明：以前の月の認証、及びカード所有者のデータを使用して、カード所有 者に関するプロファイル・レコードを作成する。 ファイル名：CUPDATEP 説明：個々の有効なカード所有者のプロファイルを更新する。 関数名：updatepf（） 説明：以前の月の認証、及びカード所有者のデータと共に、以前のプロファ イル・レコードの値を使用して、カード所有者に関するプロファイル・レコード を更新する。 ファイル名：CCOMMON 説明：このファイルはcreatepf（），updatepf（），score（）の内少なくと も２つによって必要とされる関数を含む。 関数名：accumMiscCnts（） 説明：認証が見つかる毎に様々なタイプのカウンタをインクリメントする。 関数名：accumSicCnts（） 説明：SIC変数カウンタをインクリメントする。 関数名：initSicCounts（） 説明：SIC変数カウンタを初期化する。 関数名：updateSicMovAvgs（） 説明：SICプロファイル変数を更新する。 関数名：writeMiscToProfile（） 説明：変数が計算された後に、様々な変数をプロファイル・レコードに書き 込む。 関数名：hncDate（） 説明：ユリウス積日を1990年１月１日からの日数を示す日付に変換する。 関数名：missStr（） 説明：空文字（null）で終わるストリング内で「不一致」フラグ（ピリオド ）の検査を行う。ストリングは空白、及び不一致としてみなされるピリオドのみ を有しなければならない。空白のみのストリングもまた「不一致」とみなされる 。カスケード化動作 システム性能を改良する１つの方法は「カスケード化された」動作 を用いることである。カスケード化動作では、２つ以上のニューラル・ネットワ ーク・モデルが使用される。第２のニューラル・ネットワーク・モデルは、前述 したのと同様の方法で、モデル開発構成要素801によって訓練される。しかし、 第２のモデルの訓練中に、モデル開発構成要素801は、以前に第１のニューラル ・ネットワーク・モデルに適用されたことによって決定され、所定のカスケード 閾値を越えた、不正スコアを持った取引のみを使用する。従って、第２のモデル は高スコアの取引に関して、より正確なスコアを提供する。同じ不正関連変数が 両方のモデルを訓練可能だが、２つのモデルの中に異なる変数が見られることが しばしばある。 図20を参照すると、カスケード化システム内の取引処理構成要素の動作のフロ ーチャートが示されている。最初に、取引処理構成要素802が上述のように第１ のモデルを用いて、各取引のスコアをつける（2002）。カスケード閾値を越える スコアを持つこれらの取引（2003）は、第２のニューラル・ネットワーク・モデ ルに適用される（2005）。このシステムは場合に応じて、スコア、及び理由コー ドを、第１のモデル（2004）、又は第２のモデル（2006）のどちらかから出力す る。 上述のカスケード化技法は、各モデルが関連するカスケード閾値を有する３つ 、又はそれ以上のニューラル・ネットワーク・モデルを含んだものに拡張可能で ある。性能監視 システムは、不正検出率、及び誤答率を含む性能基準を測定する ことによって、周期的にその性能を監視する。他の要因、及び統計がこの性能基 準に組み込まれうる。この性能基準が、所定の性能レベルより低下した場合、シ ステムはユーザにこの不正モデルに再開発が必要なことを知らせるか、又は自動 再開発モデルを開始することができる。 上記の説明から、本明細書中に開示された発明が、新規で有効な顧客勘定、及 び勘定番号の不正な使用を検出する方法を提供し、それが比較的低い誤答率を維 持する間、高い検出率を達成することが明らかであろう。前述の説明は単に例と しての方法、及び本発明の実施例を開示し、記述したに過ぎない。当業者によっ て理解されるように、本発明は本発明の意図、又は基本的特性から逸脱すること なく、他の多くの特定の形態で実施されうる。例えば、ニューラル・ネットワー ク以外に、他の予測モデル化技法が用いられ得る。更に、他の変数が、モデル開 発構成要素、及び取引処理構成要素の両方に使用されうる。 従って、本発明の開示は好適実施例の例示を意図したものであって、本発明の 範囲を制限するものではない。本発明の範囲は特許請求の範囲によってのみ制限 される。

───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ， ＤＫ，ＥＳ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，Ｍ Ｃ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＭＬ，ＭＲ，ＮＥ，ＳＮ， ＴＤ，ＴＧ)，ＡＴ，ＡＵ，ＢＢ，ＢＧ，ＢＲ，ＢＹ， ＣＡ，ＣＨ，ＣＺ，ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＧＢ，Ｈ Ｕ，ＪＰ，ＫＰ，ＫＲ，ＫＺ，ＬＫ，ＬＵ，ＬＶ，ＭＧ ，ＭＮ，ＭＷ，ＮＬ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ， ＲＵ，ＳＤ，ＳＥ，ＳＫ，ＵＡ，ＶＮ (72)発明者 ファーグソン，ウイリアム，エム アメリカ合衆国カリフォルニア州92117 サン・ディエゴ，フェザー・アヴェニュ ー・4215 (72)発明者 ラザルス，マイケル，エイ アメリカ合衆国カリフォルニア州92107 サン・ディエゴ，ナンバー・57，ルッタ ス・ストリート・5030 (72)発明者 パスリア，アン，ケイ アメリカ合衆国カリフォルニア州94618 オークランド，ロックスレイ・アヴェニュ ー・5445 (72)発明者 ジョスト，アレン アメリカ合衆国カリフォルニア州92128 サン・ディエゴ，ランカシャー・ウエイ・ 18605

Claims (1)

1. 【特許請求の範囲】 １．顧客勘定に関する取引の不正を検出するためのコンピュータで実施される処 理が、 過去取引データから予測モデルを開発するステップ、 前記予測モデルをコンピュータに関連する媒体に記憶するステップ、 現在取引データを得るステップ、 顧客データを得るステップ、及び、 記憶された予測モデルに対して前記現在取引データと前記顧客データを適用す ることに応答して、不正の可能性を示す信号を生成するステップを含むことを特 徴とする前記処理。 ２．前記顧客データを得るステップが、一般顧客データを含むデータベース、及 び顧客取引パターン・データを含むデータベースにアクセスするステップから成 る、請求項１に記載のコンピュータで実施される処理。 ３．前記顧客データを得るステップが、顧客取引パターン・データを含むプロフ ァイル・データベース・レコードを１つだけアクセスするステップから成る、請 求項１に記載のコンピュータで実施される処理。 ４．前記プロファイル・データベース・レコードが更に一般顧客データを含むこ とを特徴とする請求項３に記載のコンピュータで実施される処理。 ５．前記現在取引データ、及び前記顧客データの各々が複数の要素を有し、前記 現在取引データ、及び前記顧客データの各々毎に、 決定された不正の可能性に関する要素の寄与を判定するステップ、 こうして決定された不正の可能性に関連する寄与の各々から、理由コードの値 を判定するステップ、及び、 前記理由コードの値を示す信号を生成するステップを更に含むことを特徴とす る、請求項１に記載のコンピュータで実施される処理。 ６．決定された不正の可能性を現在の閾値と比較するステップ、及び、 前記不正の可能性が前記現在の閾値を越えたことに応答して、不正信号を送信 するステップを更に含むことを特徴とする、請求項１に記載のコンピュータで実 施される処理。 ７．前記決定された不正の可能性をカスケード閾値と比較するステップ、及び、 前記不正の可能性が前記カスケード閾値を越えたことに応答して、前記現在取 引データ、及び前記顧客データを、記憶された別の予測モデルに適応させること に応答する、不正の可能性を示す別の信号を生成するステップから成る反復ステ ップを更に含むことを特徴とする、請求項１に記載のコンピュータで実施される 処理。 ８．予測モデルの性能基準を監視するステップ、 前記性能基準を所定の性能レベルと比較するステップ、及び、 前記所定の性能レベルが前記性能基準を越えることに応答して、過去取引デー タから新しい予測モデルを開発し、記憶するステップ を更に含むことを特徴とする、請求項１に記載のコンピュータで実施される処理 。 ９．前記性能基準が、 不正検出率測定、及び、 誤答率測定を含むことを特徴とする、請求項８に記載のコンピュータで実施さ れる処理。 10．前記予測モデルがニューラル・ネットワークであることを特徴とする、請求 項１に記載のコンピュータで実施される処理。 11．予測モデルを開発する前記ステップが、 過去取引データを得るステップ、 前記過去取引データを事前処理し、過去の不正関連変数を導出するステップ、 及び、 前記予測モデルを、前記導出された過去の不正関連変数で訓練するステップか ら成るサブ・ステップを含むことを特徴とする、請求項１に記載のコンピュータ で実施される処理。 12．前記予測モデルを訓練するサブ・ステップが、 入力データを前記モデルに適用するステップ、 品質の測定に応答することによって作成された出力データを順序付けするステ ップ、及び、 前記順序付けステップの結果に応答して前記モデルの動作を調整するステップ から成る反復サブ・ステップを含むことを特徴とする、請求項１１に記載のコン ピュータで実施される処理。 13．前記予測モデルが、複数の相互結合された処理要素を有するニ ューラル・ネットワークを含み、各処理要素が、 複数の入力、 各々が対応する入力に関連して、ウエイト付けされた入力を生成する複数のウ エイト、 前記ウエイト付けされた入力を統合する手段、及び、 前記ウエイト付けされた入力が統合されたものを、処理して、出力を作成する ための転送関数を含むことを特徴とする、請求項１２に記載のコンピュータで実 施される処理。 14．前記モデルの動作を調整するサブ・ステップが、 削減されるべきウエイトの部分集合を選択するステップ、及び、 前記選択されたウエイトの部分集合を削減するステップから成るサブ・ステッ プを含むことを特徴とする、請求項１３に記載のコンピュータで実施される処理 。 15．削減されるべきウエイトの部分集合を選択する前記サブ・ステップが、前記 ネットワーク内のウエイトの位置に応答して削減率を変化させる層間利得乗数を 含むコスト関数を適用し、最小化するステップを含むことを特徴とする、請求項 14に記載のコンピュータで実施される処理。 16．前記コスト関数が以下の形式であることを特徴とする、請求項15に記載のコ ンピュータで実施される処理。 ここで： Ｄはデータ・セットを表す； target_kはデータ・セットの要素ｋに関する目標を表す； output_kはデータ・セットの要素ｋに関するネットワークの出力を表す； ｇは層間利得乗数を表す； ｌは複雑性項目に関連した重要性を表す； Ｗはウエイト・セットを表す； Ｗ_iはウエイトｉの値を表す；及び、 Ｃ₁は定数を表す。 17．顧客勘定に関する取引の不正を検出するためのコンピュータで実施される処 理が、 過去取引データを得るステップ、 前記過去取引データを事前処理し、過去の不正関連変数を導出するステップ、 前記導出された過去の不正関連変数を用いて、予測モデルを訓練するステップ、 前記予測モデルをコンピュータに関連する媒体に記憶するステップ、 現在取引データを得るステップ、 前記現在取引データを事前処理し、現在の不正関連変数を導出するステップ、 顧客データを得るステップ、 前記顧客データを事前処理し、顧客の不正関連変数を導出するステップ、及び 、記憶された前記予測モデルに対して前記現在の不正関連変数と前記顧客の不正 関連変数を適用することに応答する不 正の可能性に応答して、信号を生成するステップを含むことを特徴とする前記処 理。 18．前記過去の不正関連変数、及び前記現在の不正関連変数が、少なくとも、 不正に関わるドルの取引額を参照するデータから得られる要因、 不正に関わる取引日、及び取引時間を参照するデータから得られる要因、 不正に関わる取引の認可、及び拒否を参照するデータから得られる要因、及び 、 不正に関わるリスク・グループを参照するデータから得られる要因を含むこと を特徴とする、請求項17に記載のコンピュータで実施される処理。 19．前記過去の不正関連変数、及び前記現在の不正関連変数が、少なくとも、 不正に関わる顧客を参照するデータから得られる要因、及び、 不正に関わる商人を参照するデータから得られる要因を含むことを特徴とする 、請求項17に記載のコンピュータで実施される処理。 20．導出された前記現在の不正関連変数、及び導出された前記顧客の不正関連変 数の集合の各々に対し、 決定された不正の可能性に関する変数の寄与を判定し、理由コードの値を生成 するステップ、 各々の決定された不正の可能性に関連する寄与から、理由コードの値を判定す るステップ、及び、 前記理由コードの値を示す信号を生成するステップを更に含むことを特徴とす る、請求項17に記載のコンピュータで実施される処理。 21．前記予測モデルがニューラル・ネットワークであることを特徴とする、請求 項17に記載のコンピュータで実施される処理。 22．選択された特性に基づいて結果を予測するための、コンピュータに関連する 媒体に記憶された、予測モデルを訓練する、コンピュータで実施される処理が、 入力データを前記モデルに適用するステップ、 品質の測定に応答することによって作成された出力データを順序付けするステ ップ、及び、 前記順序付けステップの結果に応答して前記モデルの動作を調整するステップ から成る反復サブ・ステップを含むことを特徴とする、前記処理。 23．選択された特性に基づいて結果を予測するための、コンピュータに関連する 媒体に記憶され、複数の相互結合された処理要素を有する、ニューラル・ネット ワークを訓練する、コンピュータで実施される処理であって、その各処理要素が 、 複数の入力、 各々が対応する入力に関連して、ウエイト付けされた入力を生成する複数のウ エイト、 前記ウエイト付けされた入力を統合する手段、及び、 前記ウエイト付けされた入力が統合されたものを、処理して、出力を作成する ための転送関数を含むことを特徴とし、 前記処理が、 入力データを前記ニューラル・ネットワークに適用するステップ、 品質の測定に応答することによって作成された出力データを順序付けするステ ップ、及び、 前記順序付けステップの結果に応答して前記ニューラル・ネットワークの動作 を調整するステップから成る反復サブ・ステップを含むことを特徴とする、前記 処理。 24．前記ニューラル・ネットワークの動作を調整するステップが、 削減されるべきウエイトの部分集合を選択するステップ、及び、 前記選択されたウエイトの部分集合を削減するステップから成るサブ・ステッ プを含むことを特徴とする、請求項23に記載のコンピュータで実施される処理。 25．削減されるべきウエイトの部分集合を選択する前記サブ・ステップが、前記 ネットワーク内のウエイトの位置に応答して削減率を変化させる層間利得乗数を 含むコスト関数を適用し、最小化するステップを含むことを特徴とする、請求項 24に記載のコンピュータで実施される処理。 26．前記コスト関数が以下の形式であることを特徴とする、請求項25に記載のコ ンピュータで実施される処理。 ここで： Ｄはデータ・セットを表す； target_kはデータ・セットの要素ｋに関する目標を表す； output_kはデータ・セットの要素ｋに関するネットワークの出力を表す； ｇは層間利得乗数を表す； ｌは複雑性項目に関連した重要性を表す； Ｗはウエイト・セットを表す； Ｗ_iはウエイトｉの値を表す；及び、 Ｃ₁は定数を表す。 27．顧客勘定に関する取引の不正を検出するシステムが、 取引に関する不正の可能性を決定するための予測モデル、 過去取引データを得るための過去取引データ入力手段、 前記取引の不正の可能性を決定するための前記予測モデルを訓練するための、 前記予測モデルに結合されたモデル開発構成要素、 過去取引データを得るための過去取引データ入力手段、 前記過去取引データから、過去の不正関連変数を導出するための、過去取引デ ータ事前処理装置、 前記過去の不正関連変数から前記予測モデルを訓練するための、前記予測モデ ルに結合されたモデル開発構成要素、 前記予測モデルを記憶するための記憶装置、 前記取引に関する現在取引データを得るための現在取引データ入力手段、 前記現在取引データから、現在の不正関連変数を導出し、前記現在の不正関連 変数を前記予測モデルに送るための、現在取引データ 事前処理装置、 顧客データを得るための顧客データ入力手段、 前記顧客データから、顧客の不正関連変数を導出し、前記顧客の不正関連変数 を前記過去取引データから前記予測モデルに送るための、顧客データ事前処理装 置、 前記訓練された予測モデルを記憶するための記憶装置、 現在取引データを得るため、及び前記現在取引データを前記予測モデルに送る ための現在取引データ入力手段、 顧客データを得るため、及び前記顧客データを前記予測モデルに送るための顧 客データ入力手段、及び、 前記不正の可能性に応答する信号を生成するために、前記予測モデルと結合さ れた出力装置を含むことを特徴とする前記システム。 28．前記モデル開発構成要素が、過去の不正関連変数を過去取引データから導出 するための過去取引データ事前処理装置を含むことを特徴とする、請求項２７に 記載のシステム。 29．前記予測モデルがニューラル・ネットワークを含むことを特徴とする、請求 項27に記載のシステム。 30．顧客に属する勘定に関わる取引に関して、不正検出を行うためのシステムが 、 モデル、及び 前記不正の可能性に応答する信号を生成するために、前記予測モデルと結合さ れた出力装置を含むことを特徴とする前記システム。 31．前記予測モデルがニューラル・ネットワークを含むことを特徴 とする、請求項２９に記載のシステム。