論文の概要: Multiple Inputs Neural Networks for Medicare fraud Detection
- arxiv url: http://arxiv.org/abs/2203.05842v1
- Date: Fri, 11 Mar 2022 10:36:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-14 13:57:10.342720
- Title: Multiple Inputs Neural Networks for Medicare fraud Detection
- Title（参考訳）: 医療詐欺検出のための複数入力ニューラルネットワーク
- Authors: Mansour Zoubeirou A Mayaki and Michel Riveill
- Abstract要約: 医療詐欺はヨーロッパで約13億ユーロ、米国では年間21億から71億ドルの費用がかかる。
本研究の目的は、ニューラルネットワークに基づく分類器を用いて医療詐欺を予測することである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medicare fraud results in considerable losses for governments and insurance
companies and results in higher premiums from clients. Medicare fraud costs
around 13 billion euros in Europe and between 21 billion and 71 billion US
dollars per year in the United States. This study aims to use artificial neural
network based classifiers to predict medicare fraud. The main difficulty using
machine learning techniques in fraud detection or more generally anomaly
detection is that the data sets are highly imbalanced. To detect medicare
frauds, we propose a multiple inputs deep neural network based classifier with
a Long-short Term Memory (LSTM) autoencoder component. This architecture makes
it possible to take into account many sources of data without mixing them and
makes the classification task easier for the final model. The latent features
extracted from the LSTM autoencoder have a strong discriminating power and
separate the providers into homogeneous clusters. We use the data sets from the
Centers for Medicaid and Medicare Services (CMS) of the US federal government.
The CMS provides publicly available data that brings together all of the cost
price requests sent by American hospitals to medicare companies. Our results
show that although baseline artificial neural network give good performances,
they are outperformed by our multiple inputs neural networks. We have shown
that using a LSTM autoencoder to embed the provider behavior gives better
results and makes the classifiers more robust to class imbalance.
- Abstract（参考訳）: メディケア詐欺は政府や保険会社にかなりの損失をもたらし、顧客からのプレミアムが高くなる。
医療詐欺はヨーロッパで約13億ユーロ、米国では年間21億から71億ドルの費用がかかる。
本研究の目的は、ニューラルネットワークに基づく分類器を用いて医療詐欺を予測することである。
不正検出やより一般的には異常検出において機械学習技術を使用する主な困難は、データセットが極めて不均衡であることである。
医療不正を検出するために,Long-Short Term Memory (LSTM) オートエンコーダコンポーネントを用いた複数入力深層ニューラルネットワークに基づく分類器を提案する。
このアーキテクチャにより、多くのデータソースを混合することなく考慮し、最終モデルの分類作業を容易にすることができる。
LSTMオートエンコーダから抽出された潜在特徴は、強い判別力を有し、プロバイダを均質クラスタに分離する。
私たちは米国連邦政府のメディケイド・メディケアサービス(cms)センターのデータセットを使用しています。
CMSは、アメリカの病院から医療機関に送られた費用要求をまとめて公開データを提供する。
その結果,ベースラインニューラルネットワークは優れた性能を示すが,マルチ入力ニューラルネットワークでは性能に優れることがわかった。
LSTMオートエンコーダを用いてプロバイダの動作を埋め込むことで、より良い結果が得られることを示し、クラス不均衡に対する分類器をより堅牢にする。
関連論文リスト
- Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。
ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。
3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-07-11T07:48:39Z) - Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。
最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。
我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文 参考訳（メタデータ） (2023-06-05T04:34:54Z) - Adopting Two Supervisors for Efficient Use of Large-Scale Remote Deep
Neural Networks [4.987581730476023]
大規模ディープニューラルネットワーク(DNN)は、リソース制約されたデバイス上で効率的に動作するには大きすぎる。
そこで本研究では,システムを小規模局所モデルで予測しようとするBiSupervisedを提案する。
我々は,4種類のケーススタディにおいて,コスト削減と誤予測入力の検出能力を評価した。
論文 参考訳（メタデータ） (2023-04-05T04:35:23Z) - Unsupervised Machine Learning for Explainable Medicare Fraud Detection [16.275152941805622]
我々は、医療を超過するプロバイダを特定するための、新しい機械学習ツールを開発した。
大規模なメディケアの請求データを用いて、詐欺や過度な監視と整合したパターンを識別する。
提案手法は、ラベル付きトレーニングデータに頼らず、完全に教師なしである。
論文 参考訳（メタデータ） (2022-11-05T15:37:51Z) - Applications of Machine Learning to the Identification of Anomalous ER
Claims [0.0]
不適切な医療保険の支払いは、米国で毎年数千億ドルの医療費を負担する。
この記事では、ERクレームに特化している2つの戦略について述べる。
平均符号化異常スコアの統計的に有意な差は, 既往のERと急性病院で観察される。
論文 参考訳（メタデータ） (2022-06-16T11:19:04Z) - Impact of the composition of feature extraction and class sampling in
medicare fraud detection [3.6016022712620095]
本研究では,医療・医療サービスセンターが「医療部品D」保険請求書を公表し,不正検知システムの開発に利用した。
そこで本研究では,特徴抽出手法としてオートエンコーダ,データサンプリング手法として合成マイノリティ・オーバーサンプリング手法(SMOTE),および分類アルゴリズムとして勾配向上決定木に基づく分類器を適用した。
論文 参考訳（メタデータ） (2022-06-03T06:57:08Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine
Transform Loss [58.58979566599889]
脳画像合成のための新しい自己教師型学習(FedMed)を提案する。
アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。
提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
論文 参考訳（メタデータ） (2022-01-29T13:45:39Z) - FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality
Brain Image Synthesis [55.939957482776194]
我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。
FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。
FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
論文 参考訳（メタデータ） (2022-01-22T02:50:29Z) - BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by
Adversarial Attacks [65.2021953284622]
CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。
結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
論文 参考訳（メタデータ） (2021-03-14T20:43:19Z) - Unsupervised anomaly detection for discrete sequence healthcare data [1.2667973028134798]
不正検出を教師なしで自動化する機械学習モデルを提案する。
2つのディープラーニングアプローチには、次の患者訪問を予測するLSTMニューラルネットワークと、Seq2seqモデルがある。
バリデーションには、アリアンツ社の患者訪問データ列の実際のデータを使用する。
論文 参考訳（メタデータ） (2020-07-20T13:42:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。