面向离散序列医疗数据的无监督异常检测
机器学习
2020-10-13 v2 机器学习
摘要
医疗欺诈十分普遍，因为医生可能开具不必要的治疗以增加账单。保险公司希望检测这些异常的欺诈性账单并减少损失。传统的欺诈检测方法使用专家规则和手动数据处理。近来，机器学习技术使这一过程自动化，但人工标注数据极其昂贵且通常过时。我们提出一种以无监督方式自动化欺诈检测的机器学习模型。两种深度学习方法包括用于预测患者下次就诊的LSTM神经网络和seq2seq模型。为归一化所产生的异常分数，我们提出经验分布函数（EDF）方法。因此，该算法可处理高度类别不平衡问题。我们使用来自Allianz公司的真实患者就诊序列数据用于验证。这些模型在医疗欺诈检测的无监督异常检测中提供了最先进（SOTA）的结果。我们的EDF方法进一步提升了LSTM模型的质量。
引用
@article{arxiv.2007.10098,
title = {Unsupervised anomaly detection for discrete sequence healthcare data},
author = {Victoria Snorovikhina and Alexey Zaytsev},
journal= {arXiv preprint arXiv:2007.10098},
year = {2020}
}