AutoFraudNet：一种用于车险行业欺诈检测的多模态网络
机器学习
2023-01-19 v1
摘要
在保险行业中，检测欺诈性理赔是一项具有重大财务影响的 critical 任务。识别欺诈性理赔的一种常见策略是寻找支撑证据中的不一致之处。然而，这对人类专家来说是一项费力且认知负担沉重的任务，因为保险理赔通常伴随来自不同模态（例如图像、文本和元数据）的大量数据。为克服这一挑战，研究界已聚焦于能够高效推理多数据源的多模态机器学习框架。尽管多模态学习近期取得进展，这些框架仍受制于（i）由不同模态的不同特性引起的联合训练挑战，以及（ii）由高模型复杂度导致的过拟合倾向。在本工作中，我们通过引入一种用于检测汽车保险欺诈理赔的多模态推理框架 AutoFraudNet（Automobile Insurance Fraud Detection Network）来解决这些挑战。AutoFraudNet 利用级联慢融合框架与最先进的融合模块 BLOCK Tucker 来缓解联合训练挑战。此外，它采用轻量级架构设计及附加损失以防止过拟合。通过在真实世界数据集上开展的广泛实验，我们证明了：（i）与单模态和双模态方法相比，多模态方法的优势；（ii）AutoFraudNet 在融合多种模态以提升性能（PR AUC 提升超 3%）方面的有效性。
引用
@article{arxiv.2301.07526,
title = {AutoFraudNet: A Multimodal Network to Detect Fraud in the Auto Insurance Industry},
author = {Azin Asgarian and Rohit Saha and Daniel Jakubovitz and Julia Peyre},
journal= {arXiv preprint arXiv:2301.07526},
year = {2023}
}
备注
Published at The AAAI-2023 Workshop On Multimodal AI For Financial Forecasting