論文の概要: From Prediction to Explainable Provider Behavior Profiles for Fraud, Waste, and Abuse Review

• arxiv url: http://arxiv.org/abs/2609.28477v1
• Date: Fri, 31 Jul 2026 16:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.027254
• Title: From Prediction to Explainable Provider Behavior Profiles for Fraud, Waste, and Abuse Review
• Title（参考訳）: フラッド・廃棄物・廃棄物の予測から説明可能な業者行動プロファイルへ
• Abstract要約: クレームデータはプロバイダの振舞いが変わったことを示しているが、それ自体は理由を説明できない。 一般的な代替案である予測モデリングは、期待された利用予測からの逸脱をフラグ付けする。 医療キャリア+DMEの4分の8のプロプライエタリな監査では、122万のプロバイダが、複雑な予測を上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Claims data can show that provider behavior changed but cannot by itself explain why. FWA (fraud, waste, and abuse) review requires identifying material behavior, locating the codes and dollars driving it, and testing plausible explanations. A common alternative, predictive modeling, flags deviations from an expected-utilization forecast -- but a forecast has limited value unless it beats simple persistence and explains why a deviation matters. In our quarterly provider-procedure data, the latest observation captures most forecastable variation, and added model structure adds little accuracy. Residuals conflate growth, service-line shifts, code maintenance, and incomplete observation with potentially concerning behavior, making point forecasts incomplete. We instead formulate provider review as a descriptive representation problem: billed revenue y = s * p, where s measures provider scale and p describes procedure composition. The profile records scale history, effective-dated code lineage, clinical-family shares, first-use events, billing context, and Medicare-versus-client differences. An optional rank-32 nonnegative factorization of procedure co-occurrence adds a fixed semantic geometry for similarity and retrieval, surfacing evidence for review without inferring intent or adjudicating FWA. In an eight-quarter proprietary Medicare Carrier+DME audit of 1.22 million providers, simple descriptions outperform complex forecasts: regularized AR(1) attains the lowest log MAE, while persistence attains the lowest dollar WAPE. The learned semantic dictionary raises recall at 10 from 35.9% to 44.7% and high-cost-rare recall at 50 from zero to 51.8%. A lineage-aware family profile stays compact and interpretable, correlating 0.790 with learned-state movement, supporting a layered architecture where transparent descriptions form the core and learned representations add optional context.
• Abstract（参考訳）: クレームデータはプロバイダの振舞いが変わったことを示しているが、それ自体は理由を説明できない。 FWA (fraud, waste, and abuse) のレビューでは、物質的な振る舞いの特定、コードとそれを駆動する金額の特定、そして妥当な説明のテストが求められます。 しかし、予測は単純な持続性に勝てなければ限定的な価値を持ち、なぜ逸脱が重要なのかを説明する。 四半期毎のプロバイダ/プロデューサデータでは、最新の観測結果が最も予測可能な変動を捉え、モデル構造を追加しても精度がほとんどない。 残余は、成長、サービスラインシフト、コードのメンテナンス、潜在的な振る舞いに関する不完全な観察を詳述し、ポイント予測を不完全なものにします。 課金収益 y = s * p であり、s はプロバイダの規模を測定し、p はプロシージャの構成を記述する。 プロフィールには、スケール履歴、有効期限付きコード系統、臨床家族の共有、ファーストユースイベント、請求コンテキスト、メディケアとリバース・クライアントの違いが記録されている。 オプションのランク-32非負の手順共起分解は、類似性と検索のための固定された意味幾何学を追加し、FWAを推論したり調整したりすることなく、レビューの証拠を提示する。 医療キャリア+DMEによる4分の8のプロプライエタリな監査において、単純な説明は複雑な予測を上回っている: 正規化されたAR(1)は最小のログMAEを獲得し、永続性は最低のWAPEを達成する。 学習されたセマンティック辞書は、リコールを10で35.9%から44.7%に、高速レアリコールを50でゼロから51.8%に引き上げている。 系統対応のファミリープロファイルはコンパクトで解釈可能であり、0.790と学習状態の動きを関連付け、透過的な記述がコアを形成し、学習された表現がオプションのコンテキストを追加する階層アーキテクチャをサポートする。

関連論文リスト

• TimeLitmus: A Diagnostic Benchmark for Cross-Modal Understanding and Explanation Faithfulness in Event-Conditioned Time-Series Prediction [48.104261148149654]
  TimeLitmusは、イベント条件付き時系列予測における相互理解と忠実さの説明のための診断ベンチマークである。 TimeLitmusには財務と交通の計4,856件の評価記録がある。
  論文  参考訳（メタデータ） (2026-09-21T14:38:49Z)
• FRAUDSkill: Structured Frozen-Weight Skill Optimization for Audio Anti-Fraud Detection [51.835490676337564]
  大規模な音声言語モデルは、音声を直接処理し、詐欺関連の証拠を推論することで、反詐欺検出の可能性を示してきた。 既存の微調整とプロンプトベースのアプローチは、通常、タスクの知識、制約、決定ルールをモデルパラメータや手動で保守されたプロンプトにエンコードする。 本稿では,FRAUDSkillを提案する。FRAUDSkillは,プログラムの外部レイヤ,ルート固有のポリシー,決定ルールを最適化しながら,基礎となる音声モデルに変化を持たせる構造的フリーウェイト適応フレームワークである。
  論文  参考訳（メタデータ） (2026-09-16T14:51:37Z)
• VST: Verifiable Structured Transport for Auditable Agent-to-Agent Alpha Discovery [11.790070440436294]
  エージェント・ツー・エージェント(A2A)アルファ発見は、マイニングと評価エージェント間の繰り返しのフィードバックサイクルによって遅くなる。 我々はまず、この通信をEmphtyped, causally addressable, unicast recordの構造化エージェント対エージェントプロトコルとして再構成する。 型付けが提供するものは、スキーマチェック、決定論的にリプレイされ、構築によって予測を評価者にリークすることを防ぐ状態である。
  論文  参考訳（メタデータ） (2026-09-07T05:43:50Z)
• Explicit State Elicitation Is Not Enough: A Controlled Audit of Memory-Policy Classification [11.991995412984503]
  この設定を用いて、構造化中間出力の実証監査プロトコルを開発する。 480サンプルの合成開発セットは、当初は状態に構造化されたプロンプトバンドルから大きな利益が得られたことを示唆していた。 このセットでは、4つの状態定義を公開することで精度が向上するが、分離された明示的な状態出力フィールドはポリシーの精度を著しく改善しない。
  論文  参考訳（メタデータ） (2026-08-18T01:04:45Z)
• Semantic Drift in Bug Resolution: How Behavioral Signals Propagate from Reports to Tests and Patches [18.727291516223115]
  Desc2Fixは、バグレポートのセマンティックアライメント、テストのトリガー、開発者による修正を測定するフレームワークである。 GPT-4o と DeepSeek-Chat を用いて,Defects4J と SWT-Bench の2,857 個のレポート・パッチを解析した。
  論文  参考訳（メタデータ） (2026-07-20T22:32:23Z)
• From Observation to Intervention: A Causal Audit of Expert Importance in Mixture-of-Experts Models [0.2230291569252836]
  本研究では,Mixture-of-Experts (MoE) プルーニングにおけるルーティング統計の利用について検討する。 あらゆるモデルにおいて因果的専門家の重要性を予測する観察的指標は見つからない。 以上の結果から, 人口レベルの観察結果から, 専門家の重要度に関するトークンレベルの介入主張まで, 共通の推論段階に対する明確な反例が得られた。
  論文  参考訳（メタデータ） (2026-06-09T11:04:19Z)
• The Piggyback Hypothesis of Generalization: Explaining and Mitigating Emergent Misalignment [53.510840985295154]
  狭いタスクの微調整は意味的に無関係なテスト領域に広範囲のミスアライメントをもたらすことを示す。 チャットテンプレートトークンは、ドメイン外のクエリに微調整された振る舞いをピギーバックすることができる。 トレーニング中に特定のトークン表現を正規化してEMを緩和するToken-Regularized Finetuning (TReFT)を提案する。
  論文  参考訳（メタデータ） (2026-06-04T19:32:00Z)
• AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
  大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。 AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。 これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
  論文  参考訳（メタデータ） (2026-03-21T04:12:04Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)

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。