用于检测串标行为的深度学习：基于卷积神经网络标记卡特尔参与者
机器学习
2021-04-23 v1 机器学习
摘要
作为对数据驱动检测串标卡特尔文献的补充，我们提出了一种基于深度学习（人工智能的一个子领域）的新方法，该方法依据各企业与其它公司的成对投标交互来标记卡特尔参与者。更简洁地说，我们将所谓的用于图像识别的卷积神经网络与图相结合，这些图以成对方式将某参考公司的归一化投标值对其参与同一招标的任意其它公司的归一化投标值作图。基于日本和瑞士的采购数据，我们为串通情形与竞争情形（即串标卡特尔活跃或不活跃时）均构造此类图，并使用一部分图来训练神经网络，使其学习区分串通与竞争的投标模式。我们使用剩余图来测试神经网络在正确分类串通与竞争投标交互上的样本外表现。当该方法应用于日本、瑞士或混合数据（瑞士与日本图合并）中时，我们获得了约 90% 或略高的相当不错的平均准确率。当使用一国数据训练以测试训练模型在另一国的表现时（即跨国情形），预测表现下降（可能由于各国采购程序的制度差异），但常保持令人满意的高水平。总而言之，卷积神经网络尽管仅在数百张图的较小样本上训练却普遍具有相当高的准确率，这指向深度学习方法在标记和打击串标卡特尔方面的巨大潜力。
引用
@article{arxiv.2104.11142,
title = {Deep learning for detecting bid rigging: Flagging cartel participants based on convolutional neural networks},
author = {Martin Huber and David Imhof},
journal= {arXiv preprint arXiv:2104.11142},
year = {2021}
}