An explainable attention network for fraud detection in claims management
用于理赔欺诈识别的可解释注意力网络AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究理赔欺诈的机器学习分类，未明确涉及所列计量经济学细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于理赔欺诈识别的可解释注意力网络
- 研究问题
- 医疗保险理赔数据具有输入长度不一和类别数量庞大的特点时，如何建立能够识别欺诈理赔的预测模型？
- 方法与思路
- 作者借鉴文本分类方法，构建适应变长输入与高类别变量的深度学习模型，并利用德国私人医疗保险公司的数据进行比较。
- 材料陈述的贡献
- 摘要称，该模型在所用理赔数据上优于一个传统机器学习模型，并提供处理类似非结构化数据的方法思路。
- 阅读关注点
- 应核对欺诈标签来源、类别不平衡处理、样本划分和比较指标，同时检查题名所称可解释性通过何种机制实现与验证。
- 阅读边界
- 仅据所给 OpenAlex 摘要，模型结构、注意力解释机制和优势幅度未说明；单一保险公司的结果不能直接外推到其他机构。
原文摘要
Insurance companies must manage millions of claims per year. While most of these are not fraudulent, those that are nevertheless cost insurance companies and those they insure vast amounts of money. The ultimate goal is to develop a predictive model that can single out fraudulent claims and pay out non-fraudulent ones automatically. Health care claims have a peculiar data structure, comprising inputs of varying length and variables with a large number of categories. Both issues are challenging for traditional econometric methods. We develop a deep learning model that can handle these challenges by adapting methods from text classification. Using a large dataset from a private health insurer in Germany, we show that the model we propose outperforms a conventional machine learning model. With the rise of digitalization, unstructured data with characteristics similar to ours will become increasingly common in applied research, and methods to deal with such data will be needed.