🤖 machine learning

Inductive inference of gradient-boosted decision trees on graphs for insurance fraud detection

تقدم هذه الورقة البحثية نموذج G-GBM، وهو نموذج تعزيز التدرج البياني الاستقرائي (inductive graph gradient boosting machine) الذي يجمع بفعالية بين متانة تعزيز التدرج والميزات البيانية غير المتجانسة القابلة للتفسير ليتفوق على الأساليب الرائدة أو يضاهيها في كشف الاحتيال التأميني مع معالجة تحديات مثل عدم توازن الفئات والبيانات الديناميكية.

المؤلفون الأصليون: Félix Vandervorst, Bruno Deprez, Wouter Verbeke, Tim Verdonck

نُشر 2026-05-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Félix Vandervorst, Bruno Deprez, Wouter Verbeke, Tim Verdonck

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك محقق تأمين تحاول الإيقاع بمجموعة من الأشخاص الذين يزيفون حوادث السيارات أو الزيارات الطبية لسرقة الأموال.

الطريقة القديمة: النظر إلى الأفراد
تقليديًا، كان المحققون ينظرون إلى كل شخص (أو شركة) بشكل منعزل. كانوا يتحققون من قائمة من الحقائق: "كم عمرهم؟ ما هي السيارة التي يقودونها؟ هل قدموا العديد من المطالبات؟" هذا يشبه محاولة حل لغز من خلال النظر فقط إلى بطاقة هوية أحد المشتبه بهم. هذا الأسلوب يعمل بشكل جيد نوعًا ما، لكنه يغفل الصورة الكبيرة. فالمحتالون غالبًا ما يعملون في حلقات، ويساعدون بعضهم البعض. إذا نظرت إلى شخص واحد فقط، فقد تفوتك حقيقة أنه مرتبط بمجرم معروف.

الفكرة الجديدة: خريطة "الشبكة الاجتماعية"
أدرك مؤلفو هذه الورقة البحثية أنه للإيقاط بالاحتيال المنظم، يجب عليك رؤية الروابط. لقد بنوا خريطة ضخمة ("رسم بياني" أو Graph) حيث:

العُقد (Nodes): هي الأشخاص والشركات.
الخطوط (Lines): هي العلاقات (مثل: "الشركة أ تملك هذه السيارة"، "الشخص ب يعيش في هذا العنوان"، "الشخص ج هو مدير الشركة د").

هذه الخريطة فوضوية ومعقدة. تحتوي على أنواع مختلفة من الأشخاص وأنواع مختلفة من الروابط. كما أنها تتغير بمرور الوقت مع انضمام أشخاص جدد أو مغادرة آخرين.

المشكلة في الخرائط "الذكية" الحالية
مؤخرًا، بدأ علماء الكمبيوتر في استخدام "التعلم العميق" (AI) المتطور لقراءة هذه الخرائط. فكر في نماذج الذكاء الاصطناعي هذه كصندوق أسود يأخذ الخريطة بأكملها، ويضغطها في ملخص واحد ضبابي، ثم يخمن من هو المحتال.

العيب: هذه الصناديق السوداء يصعب فهمها. في عالم التأمين، لا يمكنك مجرد القول: "الكمبيوتر يقول إنهم مذنبون". أنت بحاجة إلى شرح لماذا للمنظمين والمحاكم. أيضًا، قد ترتبك نماذج الذكاء الاصطناعي هذه عندما تكون الخريطة ضخمة جدًا أو عندما تكون حالات الاحتيال قليلة جدًا مقارنة بالأشخاص الشرفاء (وهي مشكلة تسمى "عدم توازن الفئات").

الحل: G-GBM (المحقق الذي "يقرأ المسارات")
ابتكر المؤلفون أداة جديدة تسمى G-GBM. بدلاً من ضغط الخريطة في ملخص ضبابي، يعمل G-GBM مثل محقق يسلك مسارات محددة عبر الخريطة.

إليك كيف يعمل، باستخدام تشبيه بسيط:

"مسار الميتاباث" (Metapath Walk): تخيل أنك تحقق في شخص معين (لنسمه "بوب"). G-GBM لا ينظر إلى بوب فحسب، بل يرسل "متجولين" صغارًا لتتبع مسارات محددة من بوب.
- المسار 1: بوب $\leftarrow$ سيارته $\leftarrow$ مالك السيارة (ربما يكون شقيق بوب).
- المسار 2: بوب $\leftarrow$ ورشة الإصلاح $\leftarrow$ صاحب الورشة (رب maybe يكون ابن عم بوب).
- المسار 3: بوب $\leftarrow$ العنوان $\leftarrow$ الجار (الذي قدم أيضًا مطالبة مشبوهة).
قراءة الأدلة: بدلاً من تحويل هذه المسارات إلى ملخص ضبابي، يقوم G-GBM بتدوين التفاصيل المحددة الموجودة على طول كل مسار. "شقيق بوب يملك سيارة"، "صاحب ورشة الإصلاح هو ابن عم بوب". إنه يحتفظ بهذه التفاصيل منفصلة وواضحة.
"شجرة" اتخاذ القرار: يقوم بتغذية هذه التفاصيل المسارية المحددة في محرك اتخاذ قرار قوي (يسمى Gradient Boosted Tree). هذا المحرك مشهور بقدرته العالية على اكتشاف الأنماط في البيانات الفوضوية والتعامل مع حقيقة أن الاحتيال أمر نادر. وهو يتساءل: "إذا رأيت هذا المزيج المحدد من الجيران والروابط، فهل من المرجح أن يكون هذا الشخص محتالًا؟"
"السبب" (القابلية للتفسير): هذه هي القوة الخارقة. نظرًا لأن النموذج لم يقم بتمويه البيانات، فإنه يستطيع الإشارة إلى المسار الدقيق الذي أطلق الإنذار.
- مثال: "لقد وضعنا علامة على بوب ليس بسبب عمره، بل لأن المسار 2 أظهر أنه مرتبط بصاحب ورشة إصلاح لديه 50 مطالبة أخرى مشبوهة".
- هذا يمنح شركة التأمين "سلسلة تدقيق" واضحة لإثبات قرارها، وهو أمر مطلوب قانونًا.

ما وجدته الورقة البحثية
اختبر المؤلفون أداة المحقق الجديدة هذه في سيناريوهين من واقع الحياة:

مجموعة بيانات تأمين بلجيكية: خريطة ضخمة من الواقع للشركات ومديريها.
مجموعة بيانات احتيال الرعاية الصحية: خريطة للأطباء والمرضى.

النتائج:

أداء أفضل أو مساوٍ: نجح G-GBM في كشف الاحتيال بنفس كفاءة، أو أفضل من، نماذج الذكاء الاصطناعي "الصندوق الأسود" والطرق التقليدية.
السرعة: كان أسرع بكثير في التدريب من نماذج الذكاء الاصطناعي المعقدة.
الشفافية: قدم أسبابًا واضحة لقراراته، وهو ما لم تستطع نماذج الذكاء الاصطناعي فعله بسهولة.
المتانة: تعامل مع الطبيعة "الفوضوية" للبيانات (مثل المعلومات المفقودة أو الفئات الغريبة) بشكل أفضل من نماذج الذكاء الاصطناعي.

باخت-صار
تقدم الورقة البحثية طريقة تجمع بين أفضل ما في العالمين: قدرة الذكاء الاصطناعي على رؤية الروابط المعقدة في الشبكة الاجتماعية، ووضوح وسرعة أشجار القرار التقليدية. إنه لا يكتفي بالقول "هذا احتيال"؛ بل يقول "هذا احتيال بسبب هذه الروابط المحددة"، مما يجعله أداة عملية وموثوقة لمحاربة عمليات الاحتيال في التأمين.

ملخص تقني: الاستدلال الاستقرائي لأشجار القرار المعززة بالتدرج على الرسوم البيانية لكشف الاحتيال في التأمين

بيان المشكلة

يواجه كشف الاحتيال في التأمين مجموعة فريدة من التحديات التي تجعل أساليب تعلم الآلة التقليدية دون المستوى الأمثل. أولاً، غالباً ما يتضمن الاحتيال شبكات منظمة حيث يتعاون الأفراد والكيانات، مما يستلزم نمذجة العلاقات المعقدة بدلاً من معاملة المطالبات كأحداث مستقلة ومتماثلة التوزيع (i.i.d.). ثانياً، بيانات التأمين بطبيعتها غير متجانسة (تتضمن أنواعاً متنوعة من العقد مثل الشركات، والإداريين، والسياسات) وديناميكية (تتطور بمرور الوقت). ثالثاً، تعاني مجموعات بيانات الاحتيال من عدم توازن حاد في الفئات، حيث تكون حالات الاحتيال المؤكدة نادرة مقارنة بالمطالبات المشروعة.

بينما برزت الشبكات العصبية الرسومية (GNNs) كأداة قوية لنمذجة البيانات العلاقاتية، إلا أنها تواجه عقبات كبيرة في هذا المجال:

القيود الاستقرائية: العديد من طرق التضمين (مثل node2vec) هي استنتاجية (transductive) وتجد صعوبة في تحديث التنبؤات عند تطور هياكل الرسم البياني أو ظهور عقد جديدة.
التعامل مع الميزات: غالباً ما تعاني الشبكات العصبية الرسومية (GNNs) في التعامل مع الميزات الفئوية ذات الكثافة العالية الشائعة في بيانات التأمين (مثل ماركات السيارات، أو الأشكال القانونية)، حيث يكون تجميع هذه الميزات عبر عمليات المتوسط غالباً بلا معنى.
الإفراط في التنعيم (Over-smoothing): يمكن أن تعاني الشبكات العصبية الرسومية العميقة من مشكلة الإفراط في التنعيم، حيث تصبح تمثيلات العقد غير متمايزة مع زيادة طبقات تمرير الرسائل.
القابلية للتفسير: تتطلب المتطلبات التنظيمية في صناعة التأمين مسارات تدقيق شفافة. تنتج الشبكات العصبية الرسومية غالباً تضمينات غامضة تحجب الأدلة المحددة (العقد/الحواف) التي تقود تنبؤ الاحتيال.

وبناءً على ذلك، لا تزال أساليب الأشجار المعززة بالتدرج (GBM) على البيانات الجدولية هي المهيمنة نظراً لقوتها في مواجهة عدم توازن الفئات والميزات الفئوية، لكنها تفتقر إلى القدرة على دمج هيكل الرسم البياني بشكل أصيل.

المنهجية: G-GBM

يقترح المؤلفون G-GBM (آلة التدرج المعززة بالرسم البياني)، وهو إطار عمل استقرائي مبتكر يوسع أشجار القرار المعززة بالتدرج لتشمل الرسوم البيانية غير المتجانسة والديناميكية. تجسر هذه الطريقة الفجوة بين القوة التنبؤية لـ GBM والنمذجة العلاقاتية للرسوم البيانية دون التضحية بالقابلية للتفسير.

الآلية الجوهرية

تعمل G-GBM عن طريق تحويل هيكل الرسم البياني إلى مجموعة من المسارات الصريحة والمُصاغة ميزاتيّاً ضمن الجوار المحلي للعقدة (ego-net)، والتي يتم بعد ذلك تغذيتها في خوارزمية تعزيز التدرج القياسية (تحديداً LightGBM).

أخذ عينات المسار (Metapath Sampling): بالنسبة لعقدة مستهدفة $v$ ، تقوم الخوارزمية بأخذ عينات من مسارات بسيطة بطول ثابت $n$ داخل الـ $n$ -hop ego-net الخاص بها. تتبع هذه المسارات مسارات ميتا (metapaths) محددة (تسلسلات من أنواع العقد والحواف).
تجميع الميزات (Feature Concatenation): بدلاً من تجميع ميزات الجيران في متجه واحد (كما تفعل GNNs)، تقوم G-GBM بتجميع الميزات الخام للعقد والحواف التي تمت مواجهتها على طول كل مسار مأخوذ. هذا يحافظ على دقة البيانات الفئوية ذات الكثافة العالية.
التعلم الموزون بالاحتمالية: يتم تعيين وزن لكل مسار بناءً على احتمال عبور السائر العشوائي لهذا المسار. تُستخدم هذه الأوزان كـ أوزان للحالات أثناء تدريب أشجار القرار.
معيار جيني الموزون (Weighted Gini Impurity): يستخدم بناء الشجرة معيار جيني الموزون؛ حيث يتضمن حساب عدم النقاء احتمالات المسارات، مما يضمن أن المسارات ذات الاحتمالات الأعلى تساهم بشكل أكبر في قرارات التقسيم.
التنبؤ الاستقرائي: يكون احتمال الاحتيال النهائي للعقدة هو المجموع الموزون للتنبؤات من الأشجار التي تم تدريبها على كل مسار ميتا. يسمح هذا للنموذج بالتعميم على العقد الجديدة وهياكل الرسم البياني المتطورة دون الحاجة لإعادة تدريب فضاء التضمين بالكامل.

القابلية للتفسير

بما أن النموذج يعتمد على تجميع الميزات الصريح بدلاً من التضمينات الغامضة، فإنه يحتفظ بالتوافق الكامل مع قيم SHAP (تفسيرات شابلي الإضافية). يتيح ذلك للمحققين تتبع تنبؤ الاحتيال وصولاً إلى عقد وحواف وميزات محددة داخل الرسم البياني، مما يلبي متطلبات التدقيق التنظيمية.

المساهمات الرئيسية

تحدد الورقة أربع مساهمات رئيسية:

نظرية: توفر G-GBM إطاراً استقرائياً للتعلم الخاضع للإشراف على الرسوم البيانية غير المتجانسة. يجادل المؤلفون بأنها تقدم ضمان هيمنة باريتو (Pareto dominance) رسمية على نظيرتها الجدولية (LightGBM)، حيث إن تضمين هيكل الرسم البياني يمكن أن يحسن الأداء أو يحافظ عليه فقط، ولا يمكن أن يؤدي أبداً إلى تدهوره.
منهجية: تقدم الطريقة جسراً مؤسساً نظرياً بين دلالات مسار السير العشوائي وتعزيز التدرج عبر التوصيف الميزاتي للمسارات الموزونة بالاحتمالية ومعيار جيني المعدل. هذا يعالج المشكلة المفتوحة المتمثلة في تطبيق التعلم القائم على الأشجار على الرسوم البيانية غير المتجانسة والديناميكية.
تجريبية: باستخدام G-GBM على بيانات احتيال تأمين حقيقية، حققت الطريقة أداءً تنبؤياً قوياً مع الاحتفاظ بالمزايا العملية لـ GBM (التعامل مع الميزات الفئوية، البيانات المفقودة، وعدم توازن الفئات) وتوفير مسارات تدقيق على مستوى المسار باستخدام SHAP.
قابلية التكرار: يطلق المؤلفون التنفيذ الكامل على GitHub وعلى رسم بياني مجهول المصدر للاحتيال في التأمين البلجيكي على Kaggle، مما يوفر معياراً نادراً من نوعه مخصصاً للمجتمع التقني.

النتائج التجريبية

قيم المؤلفون G-GBM على مجموعتي بيانات: مجموعة بيانات تأمين بلجيكية مملوكة (تتضمن شركات وإداريين) ومجموعة بيانات مقدمي الرعاية الصحية (HCP) مفتوحة المصدر.

مجموعة بيانات التأمين المملوكة

الأداء: تفوقت G-GBM على كل من نموذج LightGBM الجدلي (الجدولي) وعدة نماذج HGNN استقرائية (HinSAGE, HAN, HGT).
- بالنسبة لـ عقد الشركات، حققت G-GBM معدل AUC-PR بلغ 0.77، متفوقة على LightGBM (0.75) وHinSAGE (0.76).
- بالنسبة لـ عقد الإداريين، حيث كانت ميزات العقدة الرئيسية شحيحة، كان التحسن أكثر وضوحاً. حققت G-GBM معدل AUC-PR بلغ 0.46، متفوقة بشكل كبير على LightGBM (0.38) وجميع نماذج GNN الأساسية.
القابلية للتفسير: كشف تحليل SHAP أن ميزات الدرجة الثانية من الجوار كانت ذات أهمية عالية للإداريين، وهي إشارة لم يستطع نموذج GBM الأساسي التقاطها.
الكفاءة: كانت G-GBM أبطأ من نموذج LightGBM الجدولي الصرف، لكنها أسرع بكثير في التدريب من نماذج HGNN الأساسية (على سبيل المثال، استغرق HinSAGE حوالي 4300 ثانية مقابل 28 ثانية لـ G-GBM لعقد الشركات).

مجموعة بيانات مقدمي الرعاية الصحية (HCP)

الأداء: في هذه المجموعة، حيث كانت ميزات العقدة الرئيسية تنبؤية للغاية، أدت G-GBM أداءً يضاهي LightGBM وHGT (AUC-ROC ~0.94).
ملاحظة: لم تؤدِ إضافة ميزات الجوار إلى تعزيز الأداء بشكل كبير فوق النموذج الجدلي الأساسي، مما يشير إلى أنه بالنسبة لهذه المجموعة المحددة، تم التقاط إشارة الاحتيال بالفعل من خلال الميزات الذاتية للعقدة. ومع ذلك، حافظت G-GBM على أداء تنافسي دون مشاكل الإفراط في التنعيم الملحوظة في بعض نماذج GNN.
التكلفة الحسابية: كان وقت تدريب G-GBM أعلى في مجموعة بيانات HCP بسبب درجة الاتصال العالية في رسم HCP البياني، مما زاد من عدد مسارات الميتا الممكنة.

الأهمية والادعاءات

تضع الورقة G-GBM كحل عملي وقوي لصناعة التأمين، حيث توازن بين الحاجة إلى دقة تنبؤية عالية والمتطلبات التنظيمية الصارمة للقابلية للتفسير.

الامتثال التنظيمي: على عكس الشبكات العصبية الرسومية (GNNs) التي تنتج تضمينات "الصندوق الأسود"، توفر G-GBM مسار تدقيق واضحاً. يمكن للمحققين رؤية أي الكيانات المجاورة وأي ميزات محددة (مثل عنوان مشترك أو شكل قانوني معين) ساهمت في درجة الاحتيال.
القوة تجاه خصائص البيانات: من خلال الاستفادة من نقاط قوة تعزيز التدرج، تتعامل الطريقة بشكل طبيعي مع المتغيرات الفئوية ذات الكثافة العالية وعدم توازن الفئات الشائع في بيانات التأمين، والتي غالباً ما تضعف أداء GNNs.
القدرة الاستقرائية: تم تصميم الطريقة للبيئات الديناميكية حيث تُضاف عقد وحواف جديدة باستمرار، مما يتجنب الحاجة إلى إعادة التضمين الكامل المطلوب في الطرق الاستنتاجية.

يخلص المؤلفون إلى أنه بينما تواجه G-GBM تحديات حسابية في الرسوم البيانية شديدة الاتصال بسبب توسع الأبعاد، فإنها تنجح في تجنب عثرات الإفراط في التنعيم التي تعاني منها نماذج GNN العميقة، وتوفر مقايضة متفوقة بين قدرة الكشف، والقابلية للتفسير، وكفاءة التدريب لكشف الاحتيال في التأمين.