🤖 machine learning

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

Cet article présente G-GBM, une nouvelle machine de gradient boosting inductive pour les graphes qui combine efficacement la robustesse du gradient boosting avec des caractéristiques de graphes hétérogènes interprétables pour surpasser ou égaler les méthodes de l'état de l'art dans la détection de fraude à l'assurance tout en relevant des défis tels que le déséquilibre des classes et les données dynamiques.

Auteurs originaux : Félix Vandervorst, Bruno Deprez, Wouter Verbeke, Tim Verdonck

Publié 2026-05-18

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Félix Vandervorst, Bruno Deprez, Wouter Verbeke, Tim Verdonck

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective d'assurance cherchant à démasquer un groupe de personnes qui simulent des accidents de voiture ou des visites médicales pour voler de l'argent.

L'Ancienne Méthode : Examiner les Individus
Traditionnellement, les détectives examinaient chaque personne (ou entreprise) isolément. Ils vérifiaient une liste de faits : « Quel âge ont-ils ? Quelle voiture conduisent-ils ? Ont-ils fait de nombreuses réclamations ? » C'est comme essayer de résoudre un mystère en ne regardant que la carte d'identité d'un seul suspect. Cela fonctionne raisonnablement bien, mais cela manque la vue d'ensemble. Les fraudeurs travaillent souvent en réseaux, s'entraidant. Si vous ne regardez qu'une seule personne, vous risquez de manquer le fait qu'elle est liée à un criminel connu.

La Nouvelle Idée : La Carte du « Réseau Social »
Les auteurs de cet article ont réalisé que pour démasquer la fraude organisée, il faut voir les connexions. Ils ont construit une carte gigantesque (un « graphe ») où :

Les Nœuds sont les personnes et les entreprises.
Les Lignes sont les relations (par exemple, « L'entreprise A possède cette voiture », « La personne B habite à cette adresse », « La personne C est le directeur de l'entreprise D »).

Cette carte est désordonnée et complexe. Elle contient différents types de personnes et différents types de connexions. Elle évolue également au fil du temps à mesure que de nouvelles personnes s'ajoutent ou partent.

Le Problème des Cartes « Intelligentes » Actuelles
Récemment, les informaticiens ont commencé à utiliser des « Deep Learning » (IA) sophistiqués pour lire ces cartes. Imaginez ces modèles d'IA comme une boîte noire qui prend la carte entière, l'écrase en un résumé unique et flou, et devine qui est un fraudeur.

Le Défaut : Ces boîtes noires sont difficiles à comprendre. Dans le monde de l'assurance, vous ne pouvez pas simplement dire : « L'ordinateur dit qu'ils sont coupables ». Vous devez expliquer pourquoi aux régulateurs et aux tribunaux. De plus, ces modèles d'IA sont parfois confus lorsque la carte est immense ou lorsqu'il y a très peu de cas de fraude par rapport aux personnes honnêtes (un problème appelé « déséquilibre des classes »).

La Solution : G-GBM (Le Détective « Lecteur de Chemins »)
Les auteurs ont créé un nouvel outil appelé G-GBM. Au lieu d'écraser la carte en un résumé flou, G-GBM agit comme un détective qui parcourt des chemins spécifiques à travers la carte.

Voici comment cela fonctionne, en utilisant une analogie simple :

La Marche « Méta-chemin » : Imaginez que vous enquêtez sur une personne spécifique (appelons-le « Bob »). G-GBM ne regarde pas seulement Bob. Il envoie de petits « marcheurs » pour tracer des itinéraires spécifiques à partir de Bob.
- Chemin 1 : Bob $\rightarrow$ Sa Voiture $\rightarrow$ Le Propriétaire de la Voiture (peut-être le frère de Bob).
- Chemin 2 : Bob $\rightarrow$ L'Atelier de Réparation $\rightarrow$ Le Propriétaire de l'Atelier (peut-être le cousin de Bob).
- Chemin 3 : Bob $\rightarrow$ L'Adresse $\rightarrow$ Le Voisin (qui a également déposé une réclamation suspecte).
La Lecture des Indices : Au lieu de transformer ces chemins en un résumé flou, G-GBM note les détails spécifiques trouvés le long de chaque chemin. « Le frère de Bob possède une voiture », « Le propriétaire de l'atelier de réparation est le cousin de Bob ». Il conserve ces détails séparés et clairs.
La Décision « Arbre » : Il alimente ces détails de chemins spécifiques dans un puissant moteur de prise de décision (appelé Gradient Boosted Tree). Ce moteur est réputé pour être excellent dans la détection de modèles dans des données désordonnées et pour gérer le fait que la fraude est rare. Il se demande : « Si je vois cette combinaison spécifique de voisins et de connexions, cette personne est-elle susceptible d'être un fraudeur ? »
Le « Pourquoi » (Explicabilité) : C'est le super-pouvoir. Parce que le modèle n'a pas flouté les données, il peut pointer le chemin exact qui a déclenché l'alarme.
- Exemple : « Nous avons signalé Bob non pas à cause de son âge, mais parce que le Chemin 2 a montré qu'il est lié à un propriétaire d'atelier de réparation qui a 50 autres réclamations suspectes. »
- Cela donne à la compagnie d'assurance une « piste d'audit » claire pour prouver sa décision, ce qui est requis par la loi.

Ce Que l'Article a Découvert
Les auteurs ont testé cet nouvel outil de détective sur deux scénarios réels :

Un Jeu de Données d'Assurance Belge : Une carte massive et réelle d'entreprises et de leurs directeurs.
Un Jeu de Données sur la Fraude Sanitaire : Une carte de médecins et de patients.

Les Résultats :

Performance Supérieure ou Égale : G-GBM a démasqué la fraude aussi bien, voire mieux, que les modèles d'IA sophistiqués de « boîte noire » et les méthodes traditionnelles.
Vitesse : Il a été beaucoup plus rapide à entraîner que les modèles d'IA complexes.
Transparence : Il a fourni des raisons claires pour ses décisions, ce que les modèles d'IA ne pouvaient pas faire aussi facilement.
Robustesse : Il a mieux géré la nature « désordonnée » des données (comme les informations manquantes ou les catégories étranges) que les modèles d'IA.

En Résumé
L'article présente une méthode qui combine le meilleur de deux mondes : la capacité de l'IA à voir des connexions complexes dans un réseau social, et la clarté et la rapidité des arbres de décision traditionnels. Il ne dit pas simplement « C'est de la fraude » ; il dit « C'est de la fraude parce que de ces connexions spécifiques », ce qui en fait un outil pratique et fiable pour lutter contre les escroqueries d'assurance.

Résumé technique : Inférence inductive d'arbres de décision à gradient boosté sur graphes pour la détection de fraude dans l'assurance

Énoncé du problème

La détection de fraude dans l'assurance fait face à un ensemble unique de défis qui rendent les approches d'apprentissage automatique traditionnelles sous-optimales. Premièrement, la fraude implique souvent des réseaux organisés où des individus et des entités collaborent, nécessitant une modélisation de relations complexes plutôt que le traitement des réclamations comme des événements indépendants et identiquement distribués (i.i.d.). Deuxièmement, les données d'assurance sont intrinsèquement hétérogènes (impliquant divers types de nœuds tels que des entreprises, des administrateurs et des contrats) et dynamiques (évoluant dans le temps). Troisièmement, les jeux de données de fraude souffrent d'un déséquilibre de classes extrême, où les cas de fraude confirmés sont rares par rapport aux réclamations légitimes.

Bien que les réseaux de neurones sur graphes (GNN) soient devenus un outil puissant pour la modélisation de données relationnelles, ils rencontrent des obstacles significatifs dans ce domaine :

Limitations inductives : De nombreuses méthodes d'embedding (par exemple, node2vec) sont transductives et peinent à mettre à jour les prédictions lorsque les structures de graphes évoluent ou que de nouveaux nœuds apparaissent.
Gestion des caractéristiques : Les GNN ont souvent du mal à gérer les caractéristiques catégorielles à haute cardinalité courantes dans les données d'assurance (par exemple, marques de voitures, formes juridiques), car l'agrégation de ces données via des opérations de moyenne est souvent dénuée de sens.
Sur-lissage : Les GNN profonds peuvent souffrir de sur-lissage, où les représentations des nœuds deviennent indistinguables à mesure que les couches de passage de messages augmentent.
Interprétabilité : Les exigences réglementaires du secteur de l'assurance exigent des pistes d'audit transparentes. Les GNN produisent souvent des embeddings opaques qui obscurcissent les preuves spécifiques (nœuds/arêtes) à l'origine d'une prédiction de fraude.

Par conséquent, les méthodes d'arbres à gradient boosté (GBM) sur des données tabulaires restent dominantes en raison de leur robustesse face au déséquilibre de classes et aux caractéristiques catégorielles, mais elles manquent de la capacité d'intégrer nativement la structure du graphe.

Méthodologie : G-GBM

Les auteurs proposent G-GBM (Graph-Gradient Boosted Machine), un cadre inductif novateur qui étend les arbres de décision à gradient boosté aux graphes hétérogènes et dynamiques. La méthode comble le fossé entre la puissance prédictive des GBM et la modélisation relationnelle des graphes sans sacrifier l'interprétabilité.

Mécanisme central

G-GBM fonctionne en transformant la structure du graphe en un ensemble de chemins explicites et vectorisés au sein du voisinage local (ego-net) d'un nœud, qui sont ensuite alimentés dans un algorithme standard de boosting de gradient (spécifiquement LightGBM).

Échantillonnage de métachemins : Pour un nœud cible $v$ , l'algorithme échantillonne des chemins simples de longueur fixe $n$ au sein de son ego-net à $n$ sauts. Ces chemins suivent des métachemins spécifiques (séquences de types de nœuds et d'arêtes).
Concaténation de caractéristiques : Au lieu d'agréger les caractéristiques des voisins en un seul vecteur (comme le font les GNN), G-GBM concatène les caractéristiques brutes des nœuds et des arêtes rencontrées le long de chaque chemin échantillonné. Cela préserve la granularité des données catégorielles à haute cardinalité.
Apprentissage pondéré par probabilité : Chaque chemin se voit attribuer un poids basé sur la probabilité qu'un marcheur aléatoire traverse ce chemin. Ces poids sont utilisés comme poids d'échantillon lors de l'entraînement des arbres de décision.
Impureté de Gini pondérée : La construction de l'arbre utilise un critère d'impureté de Gini pondéré. Le calcul de l'impureté intègre les probabilités des chemins, garantissant que les chemins ayant des probabilités plus élevées contribuent plus significativement aux décisions de division.
Prédiction inductive : La probabilité finale de fraude pour un nœud est la somme pondérée des prédictions des arbres entraînés sur chaque métachemin. Cela permet au modèle de généraliser à de nouveaux nœuds et à des structures de graphes évolutives sans réentraîner l'espace d'embedding entier.

Interprétabilité

Puisque le modèle repose sur des concaténations explicites de caractéristiques plutôt que sur des embeddings opaques, il conserve une compatibilité totale avec les valeurs SHAP (SHapley Additive exPlanations). Cela permet aux enquêteurs de retracer une prédiction de fraude jusqu'à des nœuds, des arêtes et des caractéristiques spécifiques au sein du graphe, satisfaisant ainsi les exigences d'audit réglementaires.

Contributions clés

L'article expose quatre contributions principales :

Théorique : G-GBM fournit un cadre inductif pour l'apprentissage supervisé sur des graphes hétérogènes. Les auteurs soutiennent qu'il offre une garantie formelle de dominance de Pareto par rapport à son équivalent tabulaire (LightGBM), car l'inclusion de la structure du graphe ne peut qu'améliorer ou maintenir les performances, jamais les dégrader.
Méthodologique : La méthode introduit un pont théoriquement fondé entre la sémantique des chemins de marche aléatoire et le gradient boosting via la vectorisation pondérée par probabilité des métachemins et une impureté de Gini adaptée. Cela résout le problème ouvert de l'application de l'apprentissage basé sur les arbres aux graphes hétérogènes et dynamiques.
Empirique : Sur des données réelles de fraude dans l'assurance, G-GBM atteint de fortes performances prédictives tout en conservant les avantages pratiques des GBM (gestion des caractéristiques catégorielles, des données manquantes et du déséquilibre de classes) et en fournissant des pistes d'audit SHAP au niveau des chemins.
Reproductibilité : Les auteurs publient l'implémentation complète sur GitHub et un graphe de fraude dans l'assurance belge réel et anonymisé sur Kaggle, fournissant un benchmark rare de qualité propriétaire pour la communauté.

Résultats expérimentaux

Les auteurs ont évalué G-GBM sur deux jeux de données : un jeu de données d'assurance belge propriétaire (impliquant des entreprises et des administrateurs) et un jeu de données de fraude de fournisseur de soins de santé (HCP) open-source.

Jeu de données d'assurance propriétaire

Performance : G-GBM a surpassé à la fois la référence tabulaire LightGBM et plusieurs références HGNN inductives (HinSAGE, HAN, HGT).
- Pour les nœuds Entreprise, G-GBM a atteint une AUC-PR de 0,77, dépassant LightGBM (0,75) et HinSAGE (0,76).
- Pour les nœuds Administrateur, où les caractéristiques des nœuds principaux étaient rares, l'amélioration était plus marquée. G-GBM a atteint une AUC-PR de 0,46, surpassant significativement LightGBM (0,38) et toutes les références GNN.
Interprétabilité : L'analyse SHAP a révélé que pour les administrateurs, les caractéristiques du voisinage de deuxième degré étaient hautement significatives, un signal que le GBM de référence ne pouvait pas capturer.
Efficacité : G-GBM était plus lent que le LightGBM tabulaire pur, mais significativement plus rapide à entraîner que les références HGNN (par exemple, HinSAGE a pris environ 4300 s contre environ 28 s pour G-GBM pour les nœuds Entreprise).

Jeu de données Fournisseur de soins de santé (HCP)

Performance : Dans ce jeu de données, où les caractéristiques des nœuds principaux étaient hautement prédictives, G-GBM a performé au même niveau que LightGBM et HGT (AUC-ROC ~0,94).
Observation : L'ajout de caractéristiques de voisinage n'a pas considérablement augmenté les performances par rapport à la référence tabulaire, suggérant que pour ce jeu de données spécifique, le signal de fraude était déjà capturé par les caractéristiques intrinsèques des nœuds. Cependant, G-GBM a maintenu des performances compétitives sans les problèmes de sur-lissage observés dans certains GNN.
Coût computationnel : Le temps d'entraînement de G-GBM était plus élevé que sur le jeu de données d'assurance en raison du degré moyen plus élevé du graphe HCP, ce qui a augmenté le nombre de métachemins possibles.

Importance et affirmations

L'article présente G-GBM comme une solution pragmatique et puissante pour le secteur de l'assurance, équilibrant le besoin de haute précision prédictive avec des exigences réglementaires strictes en matière d'explicabilité.

Conformité réglementaire : Contrairement aux GNN, qui produisent des embeddings « boîte noire », G-GBM offre une piste d'audit claire. Les enquêteurs peuvent voir exactement quelles entités voisines et quelles caractéristiques spécifiques (par exemple, une adresse partagée ou une forme juridique particulière) ont contribué à un score de fraude.
Robustesse aux caractéristiques des données : En tirant parti des forces du gradient boosté, la méthode gère naturellement les variables catégorielles à haute cardinalité et le déséquilibre de classes typiques des données d'assurance, qui dégradent souvent les performances des GNN.
Capacité inductive : La méthode est conçue pour des environnements dynamiques où de nouveaux nœuds et de nouvelles arêtes sont constamment ajoutés, évitant ainsi la nécessité d'un réembedding complet requis par les méthodes transductives.

Les auteurs concluent que, bien que G-GBM fasse face à des défis computationnels dans les graphes hautement connectés en raison de l'expansion dimensionnelle, il évite avec succès les pièges de sur-lissage des GNN profonds et offre un compromis supérieur entre puissance de détection, interprétabilité et efficacité d'entraînement pour la détection de fraude dans l'assurance.