💻 Informatik

Prototype Learning with Concept Bottleneck Models for Interpretable Insurance Fraud Detection

Dieses Paper schlägt ein intrinsisch interpretierbares Framework zur Erkennung von Versicherungsbetrug vor, das Prototypen-Lernen mit Concept Bottleneck Models kombiniert, um treue, für Menschen verständliche Erklärungen zu liefern und gleichzeitig eine wettbewerbsfähige Leistung bei verrauschten Schadendaten zu erzielen.

Ursprünglicher Autor: Qinzheng Wang

Veröffentlicht 2026-11-05

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprünglicher Autor: Qinzheng Wang

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht vom Autor verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

In der hochriskanten Welt der Versicherungen stehen Unternehmen in einem ständigen Kampf gegen Betrug. Wenn ein Schadensfall eintrifft, müssen Algorithmen entscheiden, ob es sich um eine echte Bitte um Hilfe oder um eine geschickte Täuschung handelt, die darauf abzielt, Geld zu stehlen. Jahrelang waren die leistungsfähigsten Werkzeuge für diese Entscheidungen komplexe „Black-Box“-Systeme. Diese Systeme sind exzellent darin, Muster zu erkennen, bieten aber keine Erklärung dafür, warum sie eine bestimmte Entscheidung getroffen haben. Sie geben lediglich einen Risiko-Score aus und lassen die menschlichen Prüfer im Dunkeln tappen, was die Ursache für den Alarm ausgelöst hat. Dies schafft eine gefährliche Lücke: Wenn ein System einen Schadensfall als betrügerisch markiert, aber nicht sagen kann, warum, verschwenden Prüfer Zeit mit der Jagd nach Gespenstern, und ehrliche Kunden werden fälschlicherweise beschuldigt. Um dies zu lösen, wenden Forscher einen anderen Ansatz an, der als intrinsische Interpretierbarkeit bezeichnet wird. Anstatt eine leistungsstarke Maschine zu bauen und erst im Nachhinein zu versuchen, ihre Geheimnisse zu entschlüsseln, baut diese Methode die Erklärung direkt in das Design der Maschine ein. Sie zwingt das System, in menschenverständlichen Konzepten zu denken, wie etwa „der Schadensbetrag ist ungewöhnlich hoch“ oder „der Zeitpunkt des Besuchs ist verdächtig“, anstatt nur in Rohzahlen. Das Ziel ist es, ein System zu schaffen, das nicht nur intelligent, sondern auch transparent ist, sodass Menschen genau nachvollziehen können, wie eine Entscheidung zustande gekommen ist.

Ein Forscher ist nun einen bedeutenden Schritt in diese Richtung gegangen, indem er zwei unterschiedliche Ideen kombinierte, um ein neues Framework zur Erkennung von Versicherungsbetrug zu entwickeln. Er verschmolz eine Methode, die spezifische „Konzepte“ identifiziert, mit einer anderen, die neue Fälle mit bekannten Beispielen vergleicht. Der erste Teil seines Systems fungiert wie ein Übersetzer, der die Rohdaten eines Schadensfalls in sieben klare, menschenlesbare Flaggen umwandelt. Diese Flaggen repräsentieren spezifische Arten von Anomalien, wie etwa ein seltsames Zeitmuster, einen ungewöhnlichen Dollarbetrag, verdächtige Texte in der Beschreibung, seltsame Beziehungen zwischen den Beteiligten, eine problematische Historie, mangelnde Kooperation oder eine Kombination dieser Probleme. Der zweite Teil des Systems nimmt diese Flaggen und vergleicht den aktuellen Fall mit einer Bibliothek vergangener Betrugsfälle oder „Prototypen“. Wenn ein neuer Schadensfall sehr ähnlich einem bekannten Fall von gefälschten Dokumenten ist, kann das System auf dieses spezifische vergangene Beispiel hinweisen und sagen: „Das ist der Grund, warum wir misstrauisch sind.“ Dieser zweistufige Ansatz ermöglicht es dem System, eine Vorhersage zu treffen und gleichzeitig dem menschlichen Prüfer die spezifischen Gründe und die historischen Präzedenzfälle hinter dieser Entscheidung aufzuzeigen.

Der Forscher testete dieses neue Framework unter Verwendung einer realistischen Simulation von Versicherungsansprüchen, da echte Schadensdaten privat sind und nicht geteilt werden dürfen. Er erstellte einen Datensatz von 5.000 Ansprüchen, bei denen das Betrugssignal absichtlich schwach und verrauscht war, um die schwierige, chaotische Realität der realen Welt nachzubilden. In diesen Tests schnitt sein transparentes System fast so gut ab wie die besten „Black-Box“-Systeme, mit nur einem geringen, statistisch unbedeutenden Nachteil. Während die traditionellen, unerklärlichen Modelle einen AUC-Wert von etwa 0,814 bis 0,819 erreichten, erreichte das neue transparente Modell einen AUC von 0,806. Dieses Ergebnis deutet darauf an, dass das System keine Genauigkeit opfern muss, um Klarheit zu gewinnen, obwohl der Autor anmerkt, dass es sich hierbei um eine Machbarkeitsstudie auf simulierten Daten handelt und die Zahlen vor dem Einsatz an echten, anonymisierten Ansprüchen validiert werden müssen. Viel wichtiger ist jedoch, dass das System die sieben spezifischen betrugsbezogenen Konzepte mit einer durchschnittlichen Genauigkeit von 80,1 % identifizierte. Es gelang ihm zudem, die Art des Betrugs in 36,4 % der Fälle korrekt zu kategorisieren, was eine erhebliche Verbesserung gegenüber der durch Zufall erwarteten Erfolgsrate von 25 % darstellt. Der Autor beschreibt dieses Attributionsergebnis als „bescheiden, aber ehrlich“ und erkennt an, dass die Identifizierung von Betrugsarten aus verrauschten Konzept-Flags von Natur aus schwierig ist.

Der wahre Wert dieser Arbeit liegt darin, wie sie die Beziehung zwischen dem Computer und dem menschlichen Prüfer verändert. In der Vergangenheit, wenn ein Black-Box-System einen Schadensfall markierte, konnte ein Prüfer Wochen damit verbringen, die falschen Details zu untersuchen, wie etwa die Gesamtkosten, nur um festzustellen, dass nichts falsch war. Mit diesem neuen System kann der Prüfer sofort sehen, dass das System den Anspruch markiert hat, weil eine Textanomalie und eine seltsame Beziehung zwischen dem Arzt und dem Patienten vorliegen, statt wegen der Kosten. Das System liefert einen klaren, schrittweisen Logikpfad, der verifiziert werden kann. Der Forscher hat demonstriert, dass diese Transparenz mit minimalem Leistungsverlust erreicht werden kann, was ein Maß an Einsicht bietet, das zuvor unmöglich war. Durch die Kombination der Fähigkeit, spezifische Warnsignale zu erkennen, mit der Fähigkeit, ähnliche vergangene Fälle abzurufen, bietet dieses Framework eine „White-Box“-Lösung, die der Forderung nach regulatorischer Transparenz gerecht wird. Es zeigt, dass wir in kritischen Bereichen wie der Versicherung nicht zwischen einem intelligenten System und einem klaren System wählen müssen; wir können ein System bauen, das beides ist.

Technisches Resümee: Prototypenlernen mit Concept Bottleneck Modellen für die interpretierbare Versicherungsbetrugserkennung

Problemstellung
Die Arbeit adressiert die kritische Notwendigkeit von Interpretierbarkeit in hochsensiblen Bereichen der Versicherungsbetrugserkennung. Aktuelle State-of-the-Art-Ansätze verlassen sich häufig auf Black-Box-Modelle (z. B. XGBoost, Random Forests), die mit Post-hoc-Erklärungsverfahren wie SHAP oder LIME kombiniert werden. Der Autor argumentiert, dass diese Post-hoc-Methoden unter einem Mangel an Treue (Faithfulness) leiden; sie approximieren die Entscheidungsgrenze des Modells mittels lokaler Surrogatmodelle, die von der tatsächlichen Logik abweichen können, sensitiv gegenüber Eingabestörungen reagieren und keine Garantie bieten, dass die Erklärung den internen Zustand des Modells widerspiegelt. Im Kontext von Versicherungen, wo Fehler zu erheblichen finanziellen Verlusten oder der ungerechtfertigten Schwarztlistung von Kunden führen können, stellt die Unfähigkeit, die „Wahrheit“ einer Erklärung zu verifizieren, eine fundamentale Einschränkung dar.

Methodik
Die vorgeschlagene Lösung ist ein intrinsisch interpretierbares Framework, das Prototypenlernen mit Concept Bottleneck Modellen (CBM) kombiniert. Die Architektur operiert auf einem „Konzept–Prototyp“-Zwei-Schichten-Design:

Concept Bottleneck Layer (Unten):
- Anstatt Rohmerkmale direkt auf eine Betrugswahrscheinlichkeit abzubilden, sagt das Modell zuerst einen Vektor aus sieben menschenverständlichen, hochgradig abstrakten Konzepten voraus: Zeitliche Anomalie, Mengenanomalie, Textanomalie, Relationsanomalie, Historienanomalie, Kooperationsanomalie und ein zusammengesetzter Anomaliewert.
- Diese Konzepte sind innerhalb einer spezifischen Ontologie definiert, die aus Experteninterviews abgeleitet wurde.
- Der Aufgabenprädiktor (die finale Klassifizierungsschicht) ist ein lineares Modell ( $g$ ), das diese vorhergesagten Konzepte ( $\hat{c}$ ) auf die Betrugswahrscheinlichkeit abbildet. Da die Schicht linear ist, geben die Gewichte direkt die Bedeutung jedes Konzepts an.
Prototype Layer (Oben):
- Aufbauend auf den Konzept-Embeddings weist diese Schicht jeden Anspruch dem nächstgelegenen „Betrugstyp-Prototypen“ zu (z. B. kurzfristiger Anspruch, gefälschtes Dokument, Überbehandlung).
- Dies ermöglicht exemplarische Erklärungen auf Ebene einzelner Fälle, sodass Prüfer sehen können, dass ein spezifischer Anspruch aufgrund seiner Konzeptaktivierung einem bekannten Betrugsprototypen ähnelt.
Trainingsstrategie:
- Das Modell wird in drei Stufen trainiert: (i) Vortraining der Konzeptprädiktoren unter Verwendung schwach überwachter, regelbasierter Konzeptlabels; (ii) Training des Aufgabenprädiktors unter Verwendung von Betrugslabels; und (iii) gemeinsames Fine-Tuning unter Verwendung einer zusammengesetzten Verlustfunktion, die Klassifizierungsverlust, Konzeptverlust, Prototypenverlust und einen Konzept–Prototyp-Konsistenzverlust ( $L_{cp}$ ) enthält, um sicherzustellen, dass der Konzeptvektor mit dem zugewiesenen Prototypen übereinstimmt.

Theoretische Beiträge
Die Arbeit etabliert eine theoretische Grundlage für diese Architektur und adressiert drei spezifische Lücken, die in der Literatur identifiziert wurden:

Interpretierbarkeits-Axiome: Es werden formale Definitionen für die Prototypenzuweisung, Ordnungserhaltung und Exemplar-Interpretierbarkeit bereitgestellt.
Konvergenzrate: Ein Theorem wird hergeleitet, das beweist, dass die Prototypenschätzung mit einer Rate von $O(\sqrt{\log(1/\delta)/N}$ konvergiert, unter der Annahme, dass das Embedding Lipschitz-stetig ist.
Leistungsdekomposition: Es wird eine Schranke für CBMs bewiesen, die zeigt, dass der Gesamtfehler ( $\epsilon_{CBM}$ ) durch den Fehler des Aufgabenprädiktors auf den wahren Konzepten plus einen Term, der proportional zum Konzeptvorhersagefehler ( $\epsilon_h$ ) ist, begrenzt wird. Dies rechtfertigt theoretisch, dass die CBM-Leistung der eines Black-Box-Modells entspricht, sofern die Konzepte präzise vorhergesagt werden.
Informationstheoretische Basis: Das Framework nutzt die Datenverarbeitungsgleichung (Data-Processing Inequality), um den Trade-off zwischen Konzeptinformativität und Kompaktheit zu formalisieren.

Experimentelle Ergebnisse
Aufgrund der proprietären Natur echter Versicherungsdaten verwendet die Studie einen simulierten Datensatz von 5.000 Ansprüchen mit einem schwachen, verrauschten Betrugssignal und einem realistischen Label-Rauschen (3 %).

Prädiktive Leistung: Das Concept Bottleneck Modell erreichte einen Test-AUC-Wert von 0,806. Dies ist statistisch nicht unterscheidbar von den Black-Box-Baselines (Random Forest: 0,814; Gradient Boosting: 0,819) und übertraf tatsächlich die kreuzvalidierten AUCs der Black-Box-Modelle (0,801 und 0,788).
Konzeptgenauigkeit: Das Modell sagte die sieben interpretierbaren Konzepte mit einer mittleren Genauigkeit von 0,801 und einem AUPRC von 0,438 voraus (signifikant über dem Zufallsniveau von 0,123).
Prototypen-Attribution: Die Prototypenschicht ordnete Betrugstypen mit einer Genauigkeit von 36,4 % zu, was eine relative Verbesserung von 46 % gegenüber einer Baseline von 25 % darstellt. Dies demonstriert, dass die Konzept-Embeddings echte strukturelle Informationen über Betrugstypen bewahren.
Trade-off: Das Framework opfert maximal 1–2 Prozentpunkte an AUC im Vergleich zu Black-Box-Modellen, steigert jedoch die Auditierbarkeit von „niedrig“ (Post-hoc) auf „hoch“ (intrinsisch).

Bedeutung und Ansprüche
Die Arbeit positioniert sich als die erste Kombination aus Prototypenlernen und Concept Bottleneck Modellen speziell für die Versicherungsbetrugserkennung. Ihre primäre Bedeutung liegt darin, einen „White-Box“-Entscheidungsprozess anzubieten, der die regulatorischen Transparenzanforderungen erfüllt, ohne eine wesentliche Einbuße bei der Vorhersagekraft hinzunehmen.

Der Autor bezeichnet dies explizit als eine Machbarkeitsstudie (Feasibility Study) und räumt bescheiden ein, dass:

Die Konzept-Ontologie und die numerischen Ergebnisse vor dem Einsatz an echten, anonymisierten Ansprüchen validiert werden müssen.
Die theoretischen Konvergenzschranken analytisch sind und eine Verifizierung an endlichen Stichproben erfordern.
Der Konzept–Prototyp-Konsistenzverlust noch nicht abgelöst (ablated) wurde.
Zukünftige Arbeiten die automatische Entdeckung von Konzepten erforschen könnten, um die Abhängigkeit von manuell kuratierten Ontologien zu verringern.

Letztlich argumentiert die Arbeit, dass in Hochrisikodomänen wie der Versicherung der Trade-off eines geringfügigen Leistungsabfalls zugunsten einer garantierten, intrinsischen Interpretierbarkeit äußerst vorteilhaft ist.

Mehr davon