CleverCatch：一种面向欺诈检测的数据驱动弱监督模型
机器学习
2026-05-05 v3 人工智能
摘要
医疗保健欺诈检测因标注数据稀缺、欺诈手段不断演变以及医疗记录维度极高等因素，仍是当前面临的关键挑战。传统的监督方法因标签极度稀缺受到挑战，而纯粹的无监督方法往往难以捕捉临床意义上的异常。本文介绍了CleverCatch，这是一种面向欺诈处方行为检测的数据驱动弱监督模型，旨在提高检测精度和可解释性。我们的 метод将结构化的领域知识整合到神经网络架构中，在共享的嵌入空间中对齐规则与数据样本。通过在既代表合规又代表违规的合成数据上联合训练编码器，CleverCatch学习软性规则嵌入，能够对复杂的真实世界数据集进行泛化。这种混合设计使数据驱动的学习能够被领域知识约束所增强，弥合了专家启发式方法与机器学习之间的鸿沟。在大规模真实数据集上的实验表明，CleverCatch对四种最先进的异常检测基线方法均优异，平均AUC提升1.3%，召回率提升3.4%。我们的消融研究进一步凸显了专家规则的互补作用，确认了该框架的可适应性。结果表明，将专家规则嵌入学习过程中，不仅能提高检测精度，还能增加透明度，为医疗保健领域等高风险领域提供一种可解释的方法。
引用
@article{arxiv.2510.13205,
title = {CleverCatch: A Knowledge-Guided Weak Supervision Model for Fraud Detection},
author = {Amirhossein Mozafari and Kourosh Hashemi and Erfan Shafagh and Soroush Motamedi and Azar Taheri Tayebi and Mohammad A. Tayebi},
journal= {arXiv preprint arXiv:2510.13205},
year = {2026}
}