論文の概要: CleverCatch: A Knowledge-Guided Weak Supervision Model for Fraud Detection

• arxiv url: http://arxiv.org/abs/2510.13205v1
• Date: Wed, 15 Oct 2025 06:49:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.529905
• Title: CleverCatch: A Knowledge-Guided Weak Supervision Model for Fraud Detection
• Title（参考訳）: CleverCatch: フラッド検出のための知識誘導弱スーパービジョンモデル
• Authors: Amirhossein Mozafari, Kourosh Hashemi, Erfan Shafagh, Soroush Motamedi, Azar Taheri Tayebi, Mohammad A. Tayebi,
• Abstract要約: CleverCatchは、不正な処方の振る舞いを検出するために設計された知識誘導弱監視モデルである。 このアプローチでは、構造化ドメインの専門知識をニューラルネットワークに統合し、共有埋め込みスペース内のルールとデータサンプルを調整する。 大規模な実世界のデータセットの実験では、CleverCatchは4つの最先端の異常検出ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 0.36944296923226316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Healthcare fraud detection remains a critical challenge due to limited availability of labeled data, constantly evolving fraud tactics, and the high dimensionality of medical records. Traditional supervised methods are challenged by extreme label scarcity, while purely unsupervised approaches often fail to capture clinically meaningful anomalies. In this work, we introduce CleverCatch, a knowledge-guided weak supervision model designed to detect fraudulent prescription behaviors with improved accuracy and interpretability. Our approach integrates structured domain expertise into a neural architecture that aligns rules and data samples within a shared embedding space. By training encoders jointly on synthetic data representing both compliance and violation, CleverCatch learns soft rule embeddings that generalize to complex, real-world datasets. This hybrid design enables data-driven learning to be enhanced by domain-informed constraints, bridging the gap between expert heuristics and machine learning. Experiments on the large-scale real-world dataset demonstrate that CleverCatch outperforms four state-of-the-art anomaly detection baselines, yielding average improvements of 1.3\% in AUC and 3.4\% in recall. Our ablation study further highlights the complementary role of expert rules, confirming the adaptability of the framework. The results suggest that embedding expert rules into the learning process not only improves detection accuracy but also increases transparency, offering an interpretable approach for high-stakes domains such as healthcare fraud detection.
• Abstract（参考訳）: 医療不正検出は、ラベル付きデータの可用性の制限、常に進化する詐欺戦術、医療記録の高次元性のために、依然として重要な課題である。 従来の教師あり手法は、極度のラベルの不足によって挑戦されるが、純粋な教師なしのアプローチは、しばしば臨床的に意味のある異常を捉えるのに失敗する。 本研究では,知識誘導型弱監督モデルであるCleverCatchを紹介する。 このアプローチでは、構造化ドメインの専門知識をニューラルネットワークに統合し、共有埋め込みスペース内のルールとデータサンプルを調整する。 コンプライアンスと違反の両方を表す合成データに共同でエンコーダをトレーニングすることで、CleverCatchは、複雑な現実世界のデータセットに一般化するソフトルールの埋め込みを学ぶ。 このハイブリッド設計により、ドメインインフォームド制約によってデータ駆動学習が強化され、専門家ヒューリスティックと機械学習のギャップが埋められる。 大規模な実世界のデータセットの実験では、CleverCatchは4つの最先端の異常検出ベースラインより優れており、AUCでは1.3\%、リコールでは3.4\%の平均的な改善が達成されている。 我々のアブレーション研究は、専門家のルールの補完的な役割をさらに強調し、フレームワークの適応性を確認します。 その結果、専門家のルールを学習プロセスに組み込むことは、検出精度を向上するだけでなく、透明性を高めることが示唆され、医療不正検出のような高度なドメインに対する解釈可能なアプローチが提供される。

関連論文リスト

• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• Reduction of Supervision for Biomedical Knowledge Discovery [28.68816381566995]
  知識抽出と処理に自動化手法を採用することが不可欠である。 監督レベルとモデルの有効性の間の適切なバランスを見つけることは、大きな課題である。 本研究は,非構造化テキストにおけるバイオメディカルエンティティ間の意味的関係の同定という課題に対処する。
  論文  参考訳（メタデータ） (2025-04-13T14:05:40Z)
• Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
  半正直な設定で一貫したバックドア検出フレームワークを提案する。 本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。 特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-03-21T06:12:06Z)
• Ensuring Medical AI Safety: Interpretability-Driven Detection and Mitigation of Spurious Model Behavior and Associated Data [14.991686165405959]
  2つのモダリティにまたがる4つの医療データセットを用いて,フレームワークの適用性を示す。 VGG16, ResNet50, および同時代のVision Transformerモデルにおいて, これらのバイアスを特定し, 解放することに成功した。
  論文  参考訳（メタデータ） (2025-01-23T16:39:09Z)
• Weakly Supervised Anomaly Detection via Knowledge-Data Alignment [24.125871437370357]
  マルウェア検出、マネーロンダリング、デバイス障害検出、ネットワーク障害解析など、多数のWebベースのアプリケーションにおいて、異常検出が重要な役割を果たす。 Weakly Supervised Anomaly Detection (WSAD) が導入された。 本稿では,ルール知識を統合するための知識データアライメント(KDAlign)について紹介する。
  論文  参考訳（メタデータ） (2024-02-06T07:57:13Z)
• Uncertainty-Aware Deep Co-training for Semi-supervised Medical Image Segmentation [4.935055133266873]
  本研究では,モデルが意図的に領域を学習するための新しい不確実性認識方式を提案する。 具体的には,不確実性マップを得るためにモンテカルロサンプリングを推定法として利用する。 後ろ向きのプロセスでは、ネットワークの収束を加速するために、教師なしの損失と教師なしの損失を共同で処理する。
  論文  参考訳（メタデータ） (2021-11-23T03:26:24Z)

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。