基于图卷积神经网络的医保欺诈检测算法

针对医疗保险欺诈检测当中欺诈样本不足、数据标注昂贵和传统基于欧氏空间的模型准确率低的问题,提出了一种新的基于图卷积和变分自编码的单分类医保欺诈检测模型(OCGVAE)。首先,通过病人就诊记录建立社交网络,计算病人和医生之间的权重关系,并设计了一个2层的图卷积神经网络(GCN)作为社交网络数据的输入,用以降低社交网络的数据维度;然后,设计了一个变分自编码(VAE)用以实现只存在一类欺诈样本标签的情况下的模型训练;最后,设计了一个逻辑回归(LR)模型用以判别数据类别。实验结果表明,OCGVAE模型的检测准确率达到87.26%,相较于一类对抗神经网络(OCAN)、一类高斯过程(OCGP)、一类近邻(OCNN)、一类支持向量机(OCSVM)和半监督图卷积神经网络(Semi-GCN)算法,分别高出16.1%、70.2%、31.7%、36.5%和27.6%,说明所提模型有效提高了医保欺诈筛查精度。

WKAG:一种针对不平衡医保数据的欺诈检测方法

医保欺诈检测具有迫切的现实意义,当前工作主要以机器学习方法为主,但面临两个重要问题:(1)数据不平衡问题较为突出,欺诈样本占比极小,影响识别效果;(2)数据特征的选取与构造过于依赖领域业务知识,难以保证特征有效性。针对这些问题,提出了一种针对不平衡医保数据的欺诈检测方法——WKAG。使用WGAN-KDE(Wasserstein Generative Adversarial Network-Kernel Density Estimation)方法改善数据不平衡问题,结合自编码器(Auto-Encoder)提取数据的深层隐藏特征,使用Gradient Boosted Decision Tree(GBDT)检测医保欺诈行为。在多个公开数据集上验证了该方法有效性,并在真实医保业务数据集上进行了实验验证,结果表明了WKAG可作为医保欺诈行为的有效检测方法。