Resumo Técnico: Inferência Indutiva de Árvores de Decisão com Boosting de Gradiente em Grafos para Detecção de Fraude em Seguros

Declaração do Problema

A detecção de fraude em seguros enfrenta um conjunto único de desafios que tornam as abordagens tradicionais de aprendizado de máquina subótimas. Primeiro, a fraude frequentemente envolve redes organizadas onde indivíduos e entidades colaboram, tornando necessário o modelamento de relações complexas em vez de tratar sinistros como eventos independentes e identicamente distribuídos (i.i.d.). Segundo, os dados de seguros são inerentemente heterogêneos (envolvendo diversos tipos de nós, como empresas, administradores e apólices) e dinâmicos (evoluindo ao longo do tempo). Terceiro, os conjuntos de dados de fraude sofrem de desequilíbrio de classes extremo, onde casos de fraude confirmada são raros em comparação com sinistros legítimos.

Embora as Redes Neurais em Grafos (GNNs) tenham surgido como uma ferramenta poderosa para modelar dados relacionais, elas enfrentam obstáculos significativos neste domínio:

1. Limitações Indutivas: Muitos métodos de incorporação (por exemplo, node2vec) são transduzivos e têm dificuldade em atualizar previsões quando as estruturas do grafo evoluem ou novos nós aparecem.
2. Tratamento de Características: As GNNs frequentemente têm dificuldade com características categóricas de alta cardinalidade comuns em dados de seguros (por exemplo, marcas de carros, formas jurídicas), pois agregar essas características por meio de operações de média é frequentemente sem sentido.
3. Suavização Excessiva: GNNs profundas podem sofrer de suavização excessiva, onde as representações dos nós tornam-se indistinguíveis à medida que as camadas de passagem de mensagens aumentam.
4. Interpretabilidade: Requisitos regulatórios na indústria de seguros exigem trilhas de auditoria transparentes. As GNNs frequentemente produzem incorporações opacas que obscurecem as evidências específicas (nós/arestas) que impulsionam uma previsão de fraude.

Consequentemente, os métodos de árvores com boosting de gradiente (GBM) em dados tabulares permanecem dominantes devido à sua robustez ao desequilíbrio de classes e a características categóricas, mas carecem da capacidade de incorporar nativamente a estrutura do grafo.

Metodologia: G-GBM

Os autores propõem o G-GBM (Máquina de Boosting de Gradiente em Grafos), um novo framework indutivo que estende árvores de decisão com boosting de gradiente para grafos heterogêneos e dinâmicos. O método preenche a lacuna entre o poder preditivo dos GBMs e o modelamento relacional de grafos, sem sacrificar a interpretabilidade.

Mecanismo Central

O G-GBM opera transformando a estrutura do grafo em um conjunto de caminhos explícitos e caracterizados dentro da vizinhança local de um nó (ego-rede), que são então alimentados em um algoritmo padrão de boosting de gradiente (especificamente LightGBM).

1. Amostragem de Metacaminhos: Para um nó alvo $v$, o algoritmo amostra caminhos simples de um comprimento fixo $n$ dentro de sua ego-rede de $n$ saltos. Esses caminhos seguem metacaminhos específicos (sequências de tipos de nós e arestas).
2. Concatenação de Características: Em vez de agregar características de vizinhos em um único vetor (como as GNNs fazem), o G-GBM concatena as características brutas de nós e arestas encontradas ao longo de cada caminho amostrado. Isso preserva a granularidade dos dados categóricos de alta cardinalidade.
3. Aprendizado Ponderado por Probabilidade: Cada caminho é atribuído um peso baseado na probabilidade de um caminhante aleatório percorrer esse caminho. Esses pesos são utilizados como pesos de caso durante o treinamento das árvores de decisão.
4. Impureza Gini Ponderada: A construção da árvore utiliza um critério de impureza Gini ponderado. O cálculo da impureza incorpora as probabilidades dos caminhos, garantindo que caminhos com maiores probabilidades contribuam mais significativamente para as decisões de divisão.
5. Previsão Indutiva: A probabilidade final de fraude para um nó é a soma ponderada das previsões das árvores treinadas em cada metacaminho. Isso permite que o modelo generalize para novos nós e estruturas de grafos em evolução sem re-treinar todo o espaço de incorporação.

Interpretabilidade

Como o modelo depende de concatenações explícitas de características em vez de incorporações opacas, ele mantém compatibilidade total com valores SHAP (SHapley Additive exPlanations). Isso permite que investigadores rastreiem uma previsão de fraude de volta a nós, arestas e características específicos dentro do grafo, satisfazendo os requisitos de auditoria regulatória.

Contribuições Principais

O artigo delineia quatro contribuições primárias:

• Teórica: O G-GBM fornece um framework indutivo para aprendizado supervisionado em grafos heterogêneos. Os autores argumentam que ele oferece uma garantia formal de dominância de Pareto sobre sua contraparte tabular (LightGBM), pois a inclusão da estrutura do grafo só pode melhorar ou manter o desempenho, nunca degradá-lo.
• Metodológica: O método introduz uma ponte teoricamente fundamentada entre a semântica de caminhos de caminhante aleatório e o boosting de gradiente via caracterização de metacaminhos ponderada por probabilidade e impureza Gini adaptada. Isso aborda o problema aberto de aplicar aprendizado baseado em árvores a grafos heterogêneos e dinâmicos.
• Empírica: Em dados reais de fraude em seguros, o G-GBM alcança forte desempenho preditivo, mantendo as vantagens práticas dos GBMs (tratamento de características categóricas, dados ausentes e desequilíbrio de classes) e fornecendo trilhas de auditoria SHAP em nível de caminho.
• Reprodutibilidade: Os autores liberam a implementação completa no GitHub e um grafo de fraude em seguros belga real e anonimizado no Kaggle, fornecendo um benchmark de nível proprietário raro para a comunidade.

Resultados Experimentais

Os autores avaliaram o G-GBM em dois conjuntos de dados: um conjunto de dados proprietário de seguros belga (envolvendo empresas e administradores) e um conjunto de dados de fraude de provedor de saúde (HCP) de código aberto.

Conjunto de Dados Proprietário de Seguros

• Desempenho: O G-GBM superou tanto a linha de base tabular LightGBM quanto várias linhas de base indutivas de HGNN (HinSAGE, HAN, HGT).
  • Para nós de Empresa, o G-GBM alcançou um AUC-PR de 0,77, superando o LightGBM (0,75) e o HinSAGE (0,76).
  • Para nós de Administrador, onde as características do nó principal eram esparsas, a melhoria foi mais pronunciada. O G-GBM alcançou um AUC-PR de 0,46, superando significativamente o LightGBM (0,38) e todas as linhas de base de GNN.
• Interpretabilidade: A análise SHAP revelou que, para administradores, características da vizinhança de segundo grau foram altamente significativas, um sinal que a linha de base GBM não conseguiu capturar.
• Eficiência: O G-GBM foi mais lento que o LightGBM puramente tabular, mas significativamente mais rápido para treinar do que as linhas de base de HGNN (por exemplo, o HinSAGE levou ~4300s vs. ~28s do G-GBM para nós de empresa).

Conjunto de Dados de Provedor de Saúde (HCP)

• Desempenho: Neste conjunto de dados, onde as características do nó principal eram altamente preditivas, o G-GBM performou em par com o LightGBM e o HGT (AUC-ROC ~0,94).
• Observação: A adição de características de vizinhança não aumentou significativamente o desempenho sobre a linha de base tabular, sugerindo que, para este conjunto de dados específico, o sinal de fraude já estava capturado pelas características intrínsecas do nó. No entanto, o G-GBM manteve desempenho competitivo sem os problemas de suavização excessiva observados em algumas GNNs.
• Custo Computacional: O tempo de treinamento para o G-GBM foi maior do que no conjunto de dados de seguros devido ao grau médio mais alto do grafo HCP, o que aumentou o número de metacaminhos possíveis.

Significado e Alegações

O artigo posiciona o G-GBM como uma solução pragmática e poderosa para a indústria de seguros, equilibrando a necessidade de alta precisão preditiva com demandas regulatórias estritas de explicabilidade.

• Conformidade Regulatória: Diferentemente das GNNs, que produzem incorporações de "caixa preta", o G-GBM oferece uma trilha de auditoria clara. Investigadores podem ver exatamente quais entidades vizinhas e características específicas (por exemplo, um endereço compartilhado ou uma forma jurídica específica) contribuíram para uma pontuação de fraude.
• Robustez às Características dos Dados: Ao aproveitar as forças do boosting de gradiente, o método lida naturalmente com variáveis categóricas de alta cardinalidade e desequilíbrio de classes típicos de dados de seguros, que frequentemente degradam o desempenho das GNNs.
• Capacidade Indutiva: O método é projetado para ambientes dinâmicos onde novos nós e arestas são constantemente adicionados, evitando a necessidade de re-incorporação completa exigida por métodos transduzivos.

Os autores concluem que, embora o G-GBM enfrente desafios computacionais em grafos altamente conectados devido à expansão de dimensão, ele evita com sucesso as armadilhas de suavização excessiva de GNNs profundas e fornece uma compensação superior entre poder de detecção, interpretabilidade e eficiência de treinamento para detecção de fraude em seguros.