A Constrained and Cardinality Preserved Optimal Graph Attention Network for Fraud Detections in Insurance Claim
Notice bibliographique
Résumé
Insurance companies face the pervasive issue of insurance fraud on a daily basis, especially in health and auto insurance. Such fraud can have a long-term effect on insurance premiums and significant losses for insurance firms. Insurance fraud research is currently focused on fraud detection. Traditional detection models consider only claims data, whereas it is crucial to consider the relationship between various parties involved in the claims data. To tackle this, Graph Attention Network (GAT) has emerged, which embeds the parties' relationships as a graph and learns the interdependencies of claims' parties to identify fraud. However, it suffers from overfitting and over-smoothing problems due to the imbalanced data problem. Poor discriminative power in GAT is caused by attention-based aggregation not taking cardinality information into effect. In addition, preconditioners affected the Adam optimizer, resulting in lower test accuracy. Thus, this article aims to address these challenges and enhance the efficiency of detecting insurance fraud claims in the vehicle and medical industries. First, a new Wholesome Oversampling Conditional Generative Adversarial Network (WOCGAN) model is proposed to address data imbalance problems. It integrates the Ordering Points to Identify the Clustering Structure (OPTICS) scheme and CGAN to remove borderline minority samples and oversample wholesome samples. An attribute extraction process is then performed to extract relationships between attributes and build a graph. Then, a new Constrained and Cardinality Preserved Optimal GAT (CCPOGAT) model is developed for fraud claims detection. In this model, a Cardinality Preserved Attention Strategy (CPAS) is proposed to enhance the attention strategy in GAT, capturing cardinality information during aggregation and distinguishing different multisets in the graph. A margin-based constraint on CPAS is introduced based on the class boundary to prevent overfitting and over-smoothing of GATs. Furthermore, a Hybrid Adam and Natural Gradient Descent (HAdaNGD) algorithm is adopted to optimize the architecture and improve the test accuracy of GAT. Finally, the proposed WOCGAN and CCPOGAT models are evaluated using different datasets to validate their efficiency compared to earlier models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».