Detecting Health Care Frauds In Attributed Graphs Using Explainable Methods.
Détection de fraude à l'assurance maladie à l'aide de modèles d'apprentissage automatique et de fouille de données explicables et interprétables.
Résumé
This thesis addresses the detection of fraud in health insurance reimbursement claims using attributed graphs. The objective is to develop effective methods to identify anomalies, even in contexts where data is limited or contains errors. The Suspicious model, based on Graph Auto-Encoders (GAE), was designed to detect anomalies while being robust to poorly labelled samples. Additionally, a specific explanation method for GAEs was developed to better understand why an element is identified as abnormal. By leveraging reconstruction errors, this method highlights the most important attributes or connections in anomaly detection. These contributions were tested on various datasets, both synthetic and real, and successfully applied to detecting new cases of fraud in the French healthcare system, demonstrating their relevance for practical applications.
Cette thèse traite de la détection de fraudes dans les demandes de remboursement à l’assurance maladie en utilisant des graphes attribués. L’objectif est de développer des méthodes efficaces pour identifier des anomalies, même dans des contextes où les données sont limitées ou incluent des erreurs. Le modèle Suspicious, basé sur les Graph Auto-Encoders (GAE), a été conçu pour détecter des anomalies tout en étant robuste aux échantillons mal étiquetés. Par ailleurs, une méthode d’explication spécifique aux GAE a été développée pour mieux comprendre pourquoi un élément est identifié comme anormal. En utilisant les erreurs de reconstruction, cette méthode met en évidence les attributs ou connexions les plus importants dans la détection des anomalies. Ces contributions ont été testées sur divers jeux de données, synthétiques et réels, et appliquées avec succès à la détection de nouvelles fraudes dans le système de santé français, soulignant leur pertinence pour des applications pratiques.
Domaines
Intelligence artificielle [cs.AI]| Origine | Fichiers produits par l'(les) auteur(s) |
|---|