用于改善自行车保险欺诈检测中类别不平衡的增强 Focal Loss 函数及可解释 AI
机器学习
2026-01-26 v2 计算金融
风险管理
摘要
检测自行车保险索赔的欺诈行为仍是具有挑战性的分类问题，主要由于合法索赔和欺诈索赔之间的极端不平衡。标准学习算法倾向于过拟合到多数类，从而导致对经济上关键的少数类事件检测不佳。本文提出了一个结构化的三阶段训练框架，将 Focal Loss 的凸代理函数用于稳定初始化，将受控非凸中间损失用于提高特征判别力，并使用标准 Focal Loss 以细化对少数类敏感性。我们推导出该代理在预测空间保持凸性的条件，并展示了如何将其与深度顺序模型组合以实现更可靠的优化。使用专有的自行车保险数据集，所提出的方法在常规 Focal Loss 训练和抽样基准方法的基础上，提高了少数类的 F1 分数和 AUC。该方法还通过 SHAP 分析提供可解释的特征归因模式，为精神学和欺诈分析应用提供了透明度。
引用
@article{arxiv.2508.02283,
title = {An Enhanced Focal Loss Function to Mitigate Class Imbalance in Auto Insurance Fraud Detection with Explainable AI},
author = {Francis Boabang and Samuel Asante Gyamerah},
journal= {arXiv preprint arXiv:2508.02283},
year = {2026}
}
备注
15 pages, 4 figures, 2 tables