[论文解读] Sequence embeddings help to identify fraudulent cases in healthcare insurance

Ivan Fursov, Alexey Zaytsev+3 more|arXiv (Cornell University)|Oct 7, 2019

Imbalanced Data Classification Techniques参考文献 45被引用 8

一句话总结

本文提出了一种基于深度学习的序列嵌入方法，专为医疗保健保险索赔设计，以提升欺诈检测性能。通过将治疗编码和ICD诊断视为可变长度序列进行建模，该方法优于最先进模型，在使用SMOTEENN重采样时AUC达到0.8515，并对数据扰动表现出良好的鲁棒性。

ABSTRACT

Fraud causes substantial costs and losses for companies and clients in the finance and insurance industries. Examples are fraudulent credit card transactions or fraudulent claims. It has been estimated that roughly $10$ percent of the insurance industry's incurred losses and loss adjustment expenses each year stem from fraudulent claims. The rise and proliferation of digitization in finance and insurance have lead to big data sets, consisting in particular of text data, which can be used for fraud detection. In this paper, we propose architectures for text embeddings via deep learning, which help to improve the detection of fraudulent claims compared to other machine learning methods. We illustrate our methods using a data set from a large international health insurance company. The empirical results show that our approach outperforms other state-of-the-art methods and can help make the claims management process more efficient. As (unstructured) text data become increasingly available to economists and econometricians, our proposed methods will be valuable for many similar applications, particularly when variables have a large number of categories as is typical for example of the International Classification of Disease (ICD) codes in health economics and health services.

研究动机与目标

• 解决从电子健康记录中获取的非结构化、高基数索赔数据中欺诈保险索赔检测的挑战。
• 克服传统机器学习在类别不平衡、可变长度索赔数据（包含大量分类编码，如ICD-10）上的局限性。
• 开发深度学习架构，从医疗治疗和诊断序列中学习有意义的低维嵌入表示。
• 通过使用真实世界保险数据实现准确、可扩展的欺诈检测，提升索赔管理效率。
• 确保模型对金融和保险系统中常见的数据扰动及对抗性攻击具有可靠性。

提出的方法

• 使用序列建模技术将医疗编码序列（ICD-10、手术编码）嵌入为密集向量表示。
• 应用带有注意力机制的深度神经网络（如SWEM-max）将治疗序列聚合为固定长度的嵌入表示。
• 将学习到的嵌入与梯度提升模型结合，实现端到端的欺诈分类。
• 采用数据增强和对抗性训练方法，提升模型对输入扰动和恶意攻击的鲁棒性。
• 应用重采样技术（SMOTEENN、ADASYN）处理欺诈检测中的类别不平衡问题，其中欺诈案例较为稀少。
• 使用TF-IDF特征作为基线进行比较，将其与梯度提升模型结合，评估与所提出的基于嵌入方法的性能差异。

实验结果

研究问题

• RQ1 与传统机器学习方法相比，基于深度学习的序列嵌入能否提升医疗保健保险索赔中的欺诈检测性能？
• RQ2 不同的重采样技术（如SMOTEENN、ADASYN）对高度不平衡索赔数据上的模型性能有何影响？
• RQ3 所提出的模型在治疗序列受到随机和对抗性扰动时，其鲁棒性如何？
• RQ4 所学习到的嵌入表示与标准TF-IDF表示相比，在捕捉索赔数据中与欺诈相关模式方面表现如何？
• RQ5 该模型能否在具有高基数分类变量（如ICD编码）的真实世界索赔数据上实现良好泛化？

主要发现

• 所提出的序列嵌入模型在使用InstanceHardnessThreshold重采样技术时，AUC达到0.8515，优于其他最先进方法。
• SWEM-max模型在对抗性攻击下性能显著下降（AUC降低），表明其对恶意输入扰动存在脆弱性。
• 随机扰动（如在序列末尾添加一项治疗）仅导致模型性能小幅下降，表明对噪声具有中等程度的鲁棒性。
• 基于TF-IDF特征与梯度提升模型结合的模型在随机损坏下表现出比SWEM模型更好的稳定性。
• 研究证实，针对医疗编码序列的深度学习嵌入方法在真实世界保险数据上显著提升了欺诈检测的准确性，优于传统方法。
• 通过架构优化和增加训练数据量（特别是经过扰动的索赔样本增强），可进一步提升模型性能。