基于图的梯度提升决策树归纳推理用于保险欺诈检测
机器学习
2026-05-18 v2 社会与信息网络
摘要
图基方法正在因其能够建模复杂数据和关系而在机器学习中日益流行。保险欺诈是主要应用场景，因为欺诈性索赔往往是由组织性犯罪者策划事故或同一人士在多个保单上提交错误索赔的结果。一个挑战是，图基方法因欺诈数据中存在的高度类别不平衡问题而难以找到有意义的数据表示。此外，保险图是异构且动态的，由于人、公司和政策之间的关系不断变化。结果是，基于表格数据的梯度提升树方法仍主导该领域。因此，我们提出了一种新颖的归纳图梯度提升机器（G-GBM），用于异构和动态图上的监督学习。G-GBM将梯度提升的类别不平衡鲁棒性与通过可解释的路径级特征拼接编码的异构图信息相结合，同时保留对原始表格特征空间的访问权限。此外，邻域信息的显式表示使G-GBM能够在 metapath 和特征水平上实现透明的基于SHAP的解释。我们在公开数据集和真实专有数据集上展示了G-GBM用于保险欺诈检测，并发现G-GBM在性能上与SOTA相当或更好。我们随附的保险欺诈数据集已公开发布以促进可重复性。
引用
@article{arxiv.2510.05676,
title = {Inductive inference of gradient-boosted decision trees on graphs for insurance fraud detection},
author = {Félix Vandervorst and Bruno Deprez and Wouter Verbeke and Tim Verdonck},
journal= {arXiv preprint arXiv:2510.05676},
year = {2026}
}