論文の概要: Inductive inference of gradient-boosted decision trees on graphs for insurance fraud detection

• arxiv url: http://arxiv.org/abs/2510.05676v1
• Date: Tue, 07 Oct 2025 08:35:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.159383
• Title: Inductive inference of gradient-boosted decision trees on graphs for insurance fraud detection
• Title（参考訳）: 保険詐欺検出のためのグラフ上の勾配ブースト決定木の誘導推論
• Authors: Félix Vandervorst, Bruno Deprez, Wouter Verbeke, Tim Verdonck,
• Abstract要約: ヘテロジニアスグラフと動的グラフの教師あり学習のための新しいインダクティブグラフ勾配促進機(G-GBM)を提案する。 シミュレーションされたランダムグラフを用いた実験において,提案手法は一般的なグラフニューラルネットワーク手法と競合することを示す。
• 参考スコア（独自算出の注目度）: 5.0564566972893505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based methods are becoming increasingly popular in machine learning due to their ability to model complex data and relations. Insurance fraud is a prime use case, since false claims are often the result of organised criminals that stage accidents or the same persons filing erroneous claims on multiple policies. One challenge is that graph-based approaches struggle to find meaningful representations of the data because of the high class imbalance present in fraud data. Another is that insurance networks are heterogeneous and dynamic, given the changing relations among people, companies and policies. That is why gradient boosted tree approaches on tabular data still dominate the field. Therefore, we present a novel inductive graph gradient boosting machine (G-GBM) for supervised learning on heterogeneous and dynamic graphs. We show that our estimator competes with popular graph neural network approaches in an experiment using a variety of simulated random graphs. We demonstrate the power of G-GBM for insurance fraud detection using an open-source and a real-world, proprietary dataset. Given that the backbone model is a gradient boosting forest, we apply established explainability methods to gain better insights into the predictions made by G-GBM.
• Abstract（参考訳）: 複雑なデータと関係をモデル化できるため、グラフベースの手法は機械学習でますます人気が高まっている。 保険詐欺は主要なユースケースであり、虚偽の主張は、しばしば事故を起こす組織化された犯罪者や、複数のポリシーを誤って主張する同一人物の結果である。 1つの課題は、グラフベースのアプローチが不正データに高いクラス不均衡が存在するため、データの意味のある表現を見つけるのに苦労していることである。 もう一つは、人、企業、政策間の関係の変化を考えると、保険ネットワークは異質で動的であるということだ。 そのため、グラフデータに対する勾配の増大したツリーアプローチが依然としてこの分野を支配している。 そこで本研究では,不均一グラフと動的グラフの教師あり学習のための新しいインダクティブグラフ勾配促進機(G-GBM)を提案する。 シミュレーションされたランダムグラフを用いた実験において,提案手法は一般的なグラフニューラルネットワーク手法と競合することを示す。 我々は,G-GBMのオープンソースおよび現実のプロプライエタリデータセットを用いた保険詐欺検出のパワーを実証する。 バックボーンモデルが勾配増進林であることを考えると,G-GBMによる予測のより良い洞察を得るために,確立された説明可能性法を適用した。

関連論文リスト

• Gradient Inversion Attack on Graph Neural Networks [11.075042582118963]
  悪意のある攻撃者は、フェデレート学習中にニューラルネットワークの交換からプライベートイメージデータを盗むことができる。 本稿では,ノード分類タスクとグラフ分類タスクの両方において,リークした勾配からプライベートデータを再構成できるかどうかについて検討する。 広く使われている2つのGNNフレームワーク、すなわちGCNとGraphSAGEが分析されている。
  論文  参考訳（メタデータ） (2024-11-29T02:42:17Z)
• Deceptive Fairness Attacks on Graphs via Meta Learning [102.53029537886314]
  グラフ学習モデルにおいて、どのようにして有害な攻撃を達成すれば、バイアスを欺いて悪化させることができるのか? 本稿では,FATEというメタラーニングに基づくフレームワークを提案し,様々なフェアネス定義やグラフ学習モデルに対処する。 半教師付きノード分類のタスクにおいて,実世界のデータセットに関する広範な実験的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-24T09:10:14Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• The Devil is in the Conflict: Disentangled Information Graph Neural Networks for Fraud Detection [17.254383007779616]
  性能劣化は主にトポロジと属性の矛盾に起因すると我々は主張する。 注意機構を用いて2つの視点を適応的に融合する簡易かつ効果的な手法を提案する。 我々のモデルは、実世界の不正検出データセットで最先端のベースラインを大幅に上回ることができる。
  論文  参考訳（メタデータ） (2022-10-22T08:21:49Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)

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。