🤖 machine learning

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

Dit artikel introduceert G-GBM, een innovatieve inductieve grafische gradient boosting-machine die de robuustheid van gradient boosting effectief combineert met interpreteerbare heterogene grafische kenmerken om de prestaties van state-of-the-art methoden voor verzekeringsfraudedetectie te evenaren of te overtreffen, terwijl tegelijkertijd uitdagingen zoals class imbalance en dynamische data worden aangepakt.

Oorspronkelijke auteurs: Félix Vandervorst, Bruno Deprez, Wouter Verbeke, Tim Verdonck

Gepubliceerd 2026-05-18

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Félix Vandervorst, Bruno Deprez, Wouter Verbeke, Tim Verdonck

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een verzekeringsdetective bent die een groep mensen probeert te vangen die auto-ongelukken of doktersbezoeken faken om geld te stelen.

De Oude Manier: Kijken naar Individuen
Traditioneel keken detectives naar elke persoon (of onderneming) geïsoleerd. Ze controleerden een lijst met feiten: "Hoe oud zijn ze? Welke auto rijden ze? Hebben ze veel schadeclaims ingediend?" Dit is als proberen een mysterie op te lossen door alleen naar het identiteitsbewijs van één verdachte te kijken. Het werkt redelijk, maar mist het grote plaatje. Oplichters werken vaak in netwerken en helpen elkaar. Als je alleen naar één persoon kijkt, kun je het feit missen dat ze verbonden zijn met een bekende crimineel.

Het Nieuwe Idee: De "Sociaal Netwerk"-kaart
De auteurs van dit artikel realiseerden zich dat je, om georganiseerde fraude te vangen, de verbindingen moet zien. Ze bouwden een enorme kaart (een "graf") waarin:

Knopen de personen en ondernemingen zijn.
Lijnen de relaties zijn (bijvoorbeeld: "Onderneming A bezit deze auto", "Persoon B woont op dit adres", "Persoon C is de directeur van Onderneming D").

Deze kaart is rommelig en complex. Het bevat verschillende soorten personen en verschillende soorten verbindingen. Het verandert ook in de loop van de tijd naarmate nieuwe mensen zich aansluiten of vertrekken.

Het Probleem met Huidige "Slimme" Kaarten
Recentelijk zijn computerwetenschappers begonnen met het gebruik van geavanceerde "Deep Learning" (AI) om deze kaarten te lezen. Denk aan deze AI-modellen als een zwarte doos die de hele kaart neemt, eruit een wazige samenvatting maakt en raadt wie een oplichter is.

De Tekortkoming: Deze zwarte dozen zijn moeilijk te begrijpen. In de verzekeringswereld kun je niet zomaar zeggen: "De computer zegt dat ze schuldig zijn." Je moet uitleggen waarom aan toezichthouders en rechtbanken. Ook raken deze AI-modellen soms in de war wanneer de kaart enorm groot is of wanneer er zeer weinig fraudezaken zijn in vergelijking met eerlijke mensen (een probleem dat "class imbalance" wordt genoemd).

De Oplossing: G-GBM (De "Pad-lezende" Detective)
De auteurs creëerden een nieuw hulpmiddel genaamd G-GBM. In plaats van de kaart in een wazige samenvatting te persen, werkt G-GBM als een detective die specifieke paden door de kaart bewandelt.

Hier is hoe het werkt, met een eenvoudige analogie:

De "Metapad"-Wandel: Stel je voor dat je een specifieke persoon onderzoekt (laten we hem "Bob" noemen). G-GBM kijkt niet alleen naar Bob. Het stuurt kleine "wandelaars" uit om specifieke routes vanaf Bob te traceren.
- Pad 1: Bob $\rightarrow$ Zijn Auto $\rightarrow$ De Eigenaar van de Auto (misschien Bob's broer).
- Pad 2: Bob $\rightarrow$ De Garage $\rightarrow$ De Eigenaar van de Garage (misschien Bob's neef).
- Pad 3: Bob $\rightarrow$ Het Adres $\rightarrow$ De Buurman (die ook een verdachte claim indiende).
Het Lezen van de Aanwijzingen: In plaats van deze paden om te zetten in een wazige samenvatting, schrijft G-GBM de specifieke details die langs elk pad worden gevonden op. "Bob's broer bezit een auto", "De eigenaar van de garage is Bob's neef". Het houdt deze details apart en helder.
De "Boom"-Besluitvorming: Het voert deze specifieke pad-details in bij een krachtige besluitvormingsmotor (een zogenaamde Gradient Boosted Tree). Deze motor staat bekend om zijn vermogen om patronen in rommelige data te spotten en om te gaan met het feit dat fraude zeldzaam is. Het vraagt: "Als ik deze specifieke combinatie van buren en verbindingen zie, is deze persoon dan waarschijnlijk een oplichter?"
Het "Waarom" (Uitlegbaarheid): Dit is de superkracht. Omdat het model de data niet vervaagde, kan het wijzen naar het exacte pad dat het alarm deed afgaan.
- Voorbeeld: "We hebben Bob gemarkeerd niet vanwege zijn leeftijd, maar omdat Pad 2 liet zien dat hij verbonden is met een garage-eigenaar die 50 andere verdachte claims heeft."
- Dit geeft het verzekeringsbedrijf een duidelijke "audit trail" om hun beslissing te bewijzen, wat wettelijk vereist is.

Wat het Artikel Vond
De auteurs testten dit nieuwe detectivehulpmiddel op twee realistische scenario's:

Een Belgisch Verzekeringsdataset: Een enorme, realistische kaart van ondernemingen en hun directeuren.
Een Gezondheidszorg-Fraudedataset: Een kaart van artsen en patiënten.

De Resultaten:

Betere of Gelijke Prestaties: G-GBM ving fraude net zo goed als, of beter dan, de geavanceerde "zwarte doos" AI-modellen en de traditionele methoden.
Snelheid: Het was veel sneller te trainen dan de complexe AI-modellen.
Transparantie: Het leverde duidelijke redenen voor zijn beslissingen op, wat de AI-modellen niet zo gemakkelijk konden doen.
Robuustheid: Het ging beter om met de "rommelige" aard van de data (zoals ontbrekende informatie of vreemde categorieën) dan de AI-modellen.

Samenvattend
Het artikel introduceert een methode die het beste van twee werelden combineert: het vermogen van AI om complexe verbindingen in een sociaal netwerk te zien, en de duidelijkheid en snelheid van traditionele beslisbomen. Het zegt niet alleen "Dit is fraude"; het zegt "Dit is fraude omdat van deze specifieke verbindingen", waardoor het een praktisch, betrouwbaar hulpmiddel wordt voor het bestrijden van verzekeringsoplichting.

Technische Samenvatting: Inductieve Inferentie van Gradient-Boosted Decision Trees op Grafen voor Detectie van Verzekeringsfraude

Probleemstelling

Detectie van verzekeringsfraude staat voor een unieke reeks uitdagingingen die traditionele machine learning-aanpakken suboptimaal maken. Ten eerste houdt fraude vaak verband met georganiseerde netwerken waarin individuen en entiteiten samenwerken, wat vereist dat complexe relaties worden gemodelleerd in plaats van dat claims worden behandeld als onafhankelijke en identiek verdeelde (i.i.d.) gebeurtenissen. Ten tweede is verzekeringsdata inherent heterogeen (met diverse knoptypen zoals bedrijven, beheerders en polissen) en dynamisch (het evolueert in de tijd). Ten derde lijden fraude-datasets aan extreme onbalans in klassen, waarbij bevestigde fraudegevallen zeldzaam zijn in vergelijking met legitieme claims.

Hoewel Graph Neural Networks (GNN's) zijn opgekomen als een krachtig instrument voor het modelleren van relationele data, staan ze voor aanzienlijke hindernissen in dit domein:

Inductieve Beperkingen: Veel embedding-methoden (bijvoorbeeld node2vec) zijn transductief en worstelen met het bijwerken van voorspellingen wanneer grafstructuren evolueren of nieuwe knopen verschijnen.
Omgaan met Kenmerken: GNN's hebben vaak moeite met hoog-cardinale categorische kenmerken die veel voorkomen in verzekeringsdata (bijvoorbeeld automerken, rechtsvormen), aangezien het samenvoegen hiervan via gemiddelde-operaties vaak betekenisloos is.
Over-smoothing: Diepe GNN's kunnen last hebben van over-smoothing, waarbij knooprepresentaties ononderscheidbaar worden naarmate de lagen voor berichtdoorvoer toenemen.
Interpreteerbaarheid: Regelgevende eisen in de verzekeringssector vereisen transparante audittrails. GNN's produceren vaak ondoorzichtige embeddings die het specifieke bewijs (knopen/kanten) dat een fraudevoorspelling aanstuurt, verduisteren.

Derhalve blijven gradient-boosted tree (GBM)-methoden op tabulaire data dominant vanwege hun robuustheid tegenover klassenonbalans en categorische kenmerken, maar ze missen het vermogen om grafstructuur op een native manier te integreren.

Methodologie: G-GBM

De auteurs stellen G-GBM (Graph-Gradient Boosted Machine) voor, een nieuw inductief raamwerk dat gradient-boosted decision trees uitbreidt naar heterogene, dynamische grafen. De methode overbrugt de kloof tussen de voorspellende kracht van GBM's en het relationele modelleren van grafen zonder in te boeten aan interpreteerbaarheid.

Kernmechanisme

G-GBM werkt door de grafstructuur te transformeren in een reeks expliciete, gekarakteriseerde paden binnen het lokale nabuurschap (ego-net) van een knoop, die vervolgens worden ingevoerd in een standaard gradient boosting-algoritme (specifiek LightGBM).

Metapad Sampling: Voor een doelpuntknoop $v$ sampleert het algoritme eenvoudige paden van een vaste lengte $n$ binnen zijn $n$ -hop ego-net. Deze paden volgen specifieke metapaden (sequenties van knoop- en kanttypen).
Feature Concatenatie: In plaats van kenmerken van buren te aggregeren tot een enkele vector (zoals GNN's doen), concateneert G-GBM de ruwe knoop- en kantekenmerken die langs elk gesampleerd pad worden aangetroffen. Dit behoudt de granulariteit van hoog-cardinale categorische data.
Kans-gewogen Leren: Elk pad krijgt een gewicht toegewezen op basis van de waarschijnlijkheid dat een random walker dat pad aflegt. Deze gewichten worden gebruikt als case weights tijdens het trainen van de decision trees.
Gewogen Gini Impureit: De boomconstructie maakt gebruik van een gewogen Gini impureit-criterium. De berekening van de impureit integreert de padkansen, zodat paden met hogere waarschijnlijkheden significant meer bijdragen aan de split-beslissingen.
Inductieve Voorspelling: De uiteindelijke fraudekans voor een knoop is de gewogen som van de voorspellingen van de bomen die zijn getraind op elk metapad. Dit stelt het model in staat om te generaliseren naar nieuwe knopen en evoluerende grafstructuren zonder de volledige embedding-ruimte opnieuw te trainen.

Interpreteerbaarheid

Omdat het model vertrouwt op expliciete feature-concatenaties in plaats van ondoorzichtige embeddings, behoudt het volledige compatibiliteit met SHAP (SHapley Additive exPlanations)-waarden. Dit stelt onderzoekers in staat om een fraudevoorspelling terug te traceren naar specifieke knopen, kanten en kenmerken binnen de graf, waarmee aan regelgevende audit-eisen wordt voldaan.

Belangrijkste Bijdragen

Het artikel schetst vier primaire bijdragen:

Theoretisch: G-GBM biedt een inductief raamwerk voor supervised learning op heterogene grafen. De auteurs betogen dat het een formele Pareto-dominantiegarantie biedt ten opzichte van zijn tabulaire tegenhanger (LightGBM), aangezien de opname van grafstructuur de prestaties alleen kan verbeteren of behouden, nooit kan verslechteren.
Methodologisch: De methode introduceert een theoretisch onderbouwde brug tussen random-walk padsemantiek en gradient boosting via kans-gewogen metapad-karakterisering en aangepaste Gini-impureit. Dit adresseert het openstaande probleem van het toepassen van boomgebaseerd leren op heterogene, dynamische grafen.
Empirisch: Op echte verzekeringsfraudedata bereikt G-GBM sterke voorspellende prestaties terwijl het de praktische voordelen van GBM's behoudt (het hanteren van categorische kenmerken, ontbrekende data en klassenonbalans) en pad-niveau SHAP audittrails biedt.
Reproduceerbaarheid: De auteurs publiceren de volledige implementatie op GitHub en een geanonimiseerde, echte Belgische verzekeringsfraudegraf op Kaggle, waarmee zeldzame benchmarks van proprietair niveau voor de gemeenschap worden geboden.

Experimentele Resultaten

De auteurs evalueerden G-GBM op twee datasets: een proprietair Belgisch verzekeringsdataset (met betrekking tot bedrijven en beheerders) en een open-source dataset voor fraude bij zorgverleners (HCP).

Proprietaire Verzekeringsdataset

Prestaties: G-GBM presteerde beter dan zowel de tabulaire LightGBM-baseline als verschillende inductieve HGNN-baselines (HinSAGE, HAN, HGT).
- Voor Bedrijfsknopen bereikte G-GBM een AUC-PR van 0,77, wat LightGBM (0,75) en HinSAGE (0,76) overtrof.
- Voor Beheerdersknopen, waar kenmerken van de hoofdknoop schaars waren, was de verbetering nog duidelijker. G-GBM bereikte een AUC-PR van 0,46, wat LightGBM (0,38) en alle GNN-baselines significant overtrof.
Interpreteerbaarheid: SHAP-analyse onthulde dat voor beheerders kenmerken uit het tweede-graad-nabuurschap zeer significant waren, een signaal dat de baseline-GBM niet kon vangen.
Efficiëntie: G-GBM was trager dan de pure tabulaire LightGBM, maar aanzienlijk sneller om te trainen dan de HGNN-baselines (bijvoorbeeld HinSAGE duurde ~4300s versus ~28s voor G-GBM voor bedrijfsknopen).

Zorgverlener (HCP) Dataset

Prestaties: In deze dataset, waar kenmerken van de hoofdknoop zeer voorspellend waren, presteerde G-GBM op gelijke hoogte met LightGBM en HGT (AUC-ROC ~0,94).
Observatie: Het toevoegen van nabuurschapskenmerken verbeterde de prestaties ten opzichte van de tabulaire baseline niet significant, wat suggereert dat voor deze specifieke dataset het fraude-signaal al was vastgelegd in de intrinsieke knoopkenmerken. G-GBM behield echter concurrerende prestaties zonder de over-smoothing-problemen die bij sommige GNN's werden waargenomen.
Berekeningskosten: De trainingstijd voor G-GBM was hoger dan voor de verzekeringsdataset vanwege het hogere gemiddelde graad van de HCP-graf, wat het aantal mogelijke metapaden verhoogde.

Betekenis en Aanspraken

Het artikel positioneert G-GBM als een pragmatische en krachtige oplossing voor de verzekeringssector, die de behoefte aan hoge voorspellende nauwkeurigheid in evenwicht brengt met strenge regelgevende eisen voor verklaarbaarheid.

Regelgevende Compliance: In tegenstelling tot GNN's, die "black box"-embeddings produceren, biedt G-GBM een duidelijke audittrail. Onderzoekers kunnen precies zien welke naburige entiteiten en specifieke kenmerken (bijvoorbeeld een gedeeld adres of een specifieke rechtsvorm) hebben bijgedragen aan een fraudescore.
Robuustheid tegen Datakenmerken: Door te putten uit de sterke punten van gradient boosting, behandelt de methode op natuurlijke wijze hoog-cardinale categorische variabelen en klassenonbalans die typisch zijn voor verzekeringsdata, en die vaak de prestaties van GNN's doen verslechteren.
Inductief Vermogen: De methode is ontworpen voor dynamische omgevingen waar voortdurend nieuwe knopen en kanten worden toegevoegd, waardoor de noodzaak voor volledige her-embedding die nodig is bij transductieve methoden wordt vermeden.

De auteurs concluderen dat G-GBM, hoewel het te maken heeft met computationele uitdagingen in sterk verbonden grafen vanwege dimensie-expansie, succesvol de valkuilen van over-smoothing bij diepe GNN's vermijdt en een superieure afweging biedt tussen detectiekracht, interpreteerbaarheid en trainingsefficiëntie voor detectie van verzekeringsfraude.