💻 ciência da computação

Prototype Learning with Concept Bottleneck Models for Interpretable Insurance Fraud Detection

Este artigo propõe um framework de detecção de fraude de seguros intrinsecamente interpretável que combina aprendizado de protótipos com modelos de gargalo de conceito para fornecer explicações fiéis e compreensíveis por humanos, ao mesmo tempo em que alcança um desempenho competitivo em dados de sinistros ruidosos.

Autor original: Qinzheng Wang

Publicado 2026-11-05

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autor original: Qinzheng Wang

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelo autor. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo de alto risco dos seguros, as empresas enfrentam uma batalha constante contra a fraude. Quando um sinistro chega, algoritmos devem decidir se é um pedido genuíno de ajuda ou um engano astuto projetado para roubar dinheiro. Durante anos, as ferramentas mais poderosas para tomar essas decisões foram sistemas complexos de "caixa preta". Esses sistemas são excelentes em detectar padrões, mas não oferecem explicação sobre o porquê de terem feito uma escolha específica. Eles simplesmente emitem uma pontuação de risco, deixando os auditores humanos adivinharem o que disparou o alarme. Isso cria uma lacuna perigosa: se um sistema sinaliza um sinistro como fraudulento, mas não consegue dizer o porquê, os auditores perdem tempo perseguindo fantasmas, e clientes honestos podem ser injustamente acusados. Para resolver isso, pesquisadores estão voltando-se para uma abordagem diferente chamada interpretabilidade intrínseca. Em vez de construir uma máquina poderosa e tentar explicar seus segredos depois, este método constró o explicação diretamente no design da máquina. Ele força o sistema a pensar em termos de ideias compreensíveis para humanos, como "o valor do sinistro é excepcionalmente alto" ou "o momento da visita é suspeito", em vez de apenas números brutos. O objetivo é criar um sistema que seja não apenas inteligente, mas também transparente, permitindo que os humanos vejam exatamente como uma decisão foi alcançada.

Um pesquisador deu agora um passo significativo nesta direção ao combinar duas ideias distintas para criar um novo framework de detecção de fraude em seguros. Eles fundiram um método que identifica "conceitos" específicos com outro que compara novos casos a exemplos conhecidos. A primeira parte do seu sistema atua como um tradutor, convertendo dados brutos de um sinistro em sete alertas claros e legíveis por humanos. Essas bandeiras representam tipos específicos de anomalias, como um padrão de tempo estranho, um valor monetário incomum, texto suspeito na descrição, relações estranhas entre as pessoas envolvidas, um histórico problemático, falta de cooperação ou uma combinação desses problemas. A segunda parte do sistema pega essas bandeiras e as compara com uma biblioteca de exemplos de fraudes passadas, ou "protótipos". Se um novo sinistro se parece muito com um caso conhecido de documentos falsificados, o sistema pode apontar para esse exemplo passado específico e dizer: "É por isso que estamos suspeitos". Esta abordagem de duas camadas permite que o sistema faça uma previsão enquanto mostra simultaneamente ao auditor humano as razões específicas e os precedentes históricos por trás dessa decisão.

O pesquisador testou este novo framework usando uma simulação realista de sinistros, porque dados de sinistros reais são privados e não podem ser compartilhados. Eles criaram um conjunto de dados de 5.000 sinistros onde o sinal de fraude era intencionalmente fraco e ruidoso, mimetizando a realidade difícil e desordenada do mundo real. Nestes testes, o seu sistema transparente teve um desempenho quase tão bom quanto os melhores sistemas de "caixa preta", com apenas uma penalidade pequena e estatisticamente insignificante. Enquanto os modelos tradicionais e inexplicáveis alcançaram um AUC de aproximadamente 0,814 a 0,819, o novo modelo transparente alcançou um AUC de 0,806. Este resultado sugere que o sistema não precisa sacrificar a precisão para ganhar clareza, embora o autor note que este é um estudo de viabilidade em dados simulados e os números devem ser revalidados em sinistros reais e desidentificados antes da implementação. Mais importante ainda, o sistema identificou com sucesso os sete conceitos específicos relacionados à fraude com uma precisão média de 80,1%. Também conseguiu categorizar corretamente o tipo de fraude em 36,4% dos casos, o que é uma melhoria substancial em relação à taxa de sucesso de 25% esperada de um palpite aleatório. O autor descreve este resultado de atribuição como "modesto, mas honesto", reconhecendo que identificar tipos de fraude a partir de bandeiras de conceitos ruidosos é intrinsecamente difícil.

O verdadeiro valor deste trabalho reside em como ele muda a relação entre o computador e o auditor humano. No passado, se um sistema de caixa preta sinalizasse um sinistro, um auditor poderia passar semanas investigando os detalhes errados, como o custo total, apenas para descobrir que não havia nada de errado. Com este novo sistema, o auditor pode ver imediatamente que o sistema sinalizou o sinistro devido a uma anomalia de texto e uma relação estranha entre o médico e o paciente, em vez do custo. O sistema fornece um rastro de lógica claro e passo a passo que pode ser verificado. O pesquisador demonstrou que esta transparência pode ser alcançada com perda mínima de desempenho, oferecendo um nível de insight que era anteriormente impossível. Ao combinar a capacidade de detectar sinais de alerta específicos com a capacidade de recordar casos passados semelhantes, este framework oferece uma solução de "caixa branca" que satisfaz a necessidade de transparência regulatória. Demonstra que, em campos críticos como o de seguros, não temos que escolher entre um sistema inteligente e um sistema claro; podemos construir um sistema que seja ambos.

Resumo Técnico: Aprendizado de Protótipos com Modelos de Gargalo de Conceitos para Detecção Interpretável de Fraude em Seguros

Definição do Problema
O artigo aborda a necessidade crítica de interpretabilidade na detecção de fraudes em seguros de alto risco. As abordagens de estado da arte atuais frequentemente dependem de modelos de "caixa-preta" (ex: XGBoost, Random Forests) combinados com métodos de explicação post-hoc como SHAP ou LIME. O autor argumenta que esses métodos post-hoc sofrem de uma falta de fidelidade; eles aproximam a fronteira de decisão do modelo via substitutos locais que podem divergir da lógica real, são sensíveis a perturbações nos dados de entrada e não oferecem garantia de que a explicação reflete o estado interno do modelo. No contexto de seguros, onde erros podem levar a perdas financeiras significativas ou ao bloqueio indevido de clientes, a incapacidade de verificar a "verdade" de uma explicação é uma limitação fundamental.

Metodologia
A solução proposta é um framework intrinsecamente interpretável que combina Aprendizado de Protótipos com Modelos de Gargalo de Conceitos (CBM - Concept Bottleneck Models). A arquitetura opera em um design de duas camadas "conceito–protótipo":

Camada de Gargalo de Conceitos (Base):
- Em vez de mapear características brutas diretamente para uma probabilidade de fraude, o modelo primeiro prevê um vetor de sete conceitos de alto nível compreensíveis por humanos: anomalia de tempo, anomalia de valor, anomalia de texto, anomalia de relação, anomalia de histórico, anomalia de cooperação e uma pontuação de anomalia composta.
- Esses conceitos são definidos dentro de uma ontologia específica derivada de entrevistas com especialistas do domínio.
- O preditor de tarefa (a camada de classificação final) é um modelo linear ( $g$ ) que mapeia esses conceitos previstos ( $\hat{c}$ ) para a probabilidade de fraude. Como a camada é linear, os pesos indicam diretamente a importância de cada conceito.
Camada de Protótipos (Topo):
- Construída sobre os embeddings de conceitos, esta camada atribui cada sinistro ao protótipo de "tipo de fraude" mais próximo (ex: sinistro de curto prazo, documento falsificado, excesso de tratamento).
- Isso fornece explicações ao nível do exemplo, permitindo que auditores vejam que um sinistro específico se assemelha a um protótipo de fraude conhecido com base em sua ativação de conceito.
Estratégia de Treinamento:
- O modelo é treinado em três estágios: (i) pré-treinamento dos preditores de conceito usando rótulos de conceitos gerados por regras e fracamente supervisionados; (ii) treinamento do preditor de tarefa usando rótulos de fraude; e (iii) ajuste fino conjunto (joint fine-tuning) usando uma função de perda composta que inclui perda de classificação, perda de conceito, perda de protótipo e uma perda de consistência conceito–protótipo ( $L_{cp}$ ) para garantir que o vetor de conceitos se alinhe com o protótipo atribuído.

Contribuições Teóricas
O artigo estabelece uma base teórica para esta arquitetura, abordando três lacunas específicas identificadas na literatura:

Axiomas de Interpretabilidade: São fornecidas definições formais para atribuição de protótipo, preservação de ordem e interpretabilidade de exemplares.
Taxa de Convergência: Um teorema é derivado provando que a estimativa do protótipo converge a uma taxa de $O(\sqrt{\log(1/\delta)/N})$ , assumindo que o embedding é Lipschitz contínuo.
Decomposição de Desempenho: Um limite é provado para CBMs mostrando que o erro total ( $\epsilon_{CBM}$ ) é limitado pelo erro do preditor de tarefa nos conceitos reais mais um termo proporcional ao erro de predição de conceito ( $\epsilon_h$ ). Isso justifica teoricamente que, se os conceitos forem previstos com precisão, o desempenho do CBM se aproxima do de um modelo de caixa-preta.
Base Teoria-Informacional: O framework utiliza a desigualdade de processamento de informação para formalizar o compromisso (trade-off) entre informatividade e compacidade do conceito.

Resultados Experimentais
Devido à natureza proprietária dos dados reais de seguros, o estudo utiliza um conjunto de dados simulado de 5.000 sinistros apresentando um sinal de fraude fraco e ruidoso e ruído de rótulo realista (3%).

Desempenho Preditivo: O Modelo de Gargalo de Conceitos alcançou um AUC de 0.806. Este valor é estatisticamente indistinguível das bases de comparação de caixa-preta (Random Forest: 0.814; Gradient Boosting: 0.819) e, na verdade, superou os AUCs de validação cruzada dos modelos de caixa-preta (0.801 e 0.788).
Precisão do Conceito: O modelo previu os sete conceitos interpretáveis com uma precisão média de 0.801 e um AUPRC de 0.438 (significativamente acima do nível de acaso de 0.123).
Atribuição de Protótipo: A camada de protótipo atribuiu tipos de fraude com 36.4% de precisão, uma melhoria relativa de 46% sobre a base aleatória de 25%, demonstrando que os embeddings de conceitos retêm informações estruturais genuínas sobre os tipos de fraude.
Compromisso (Trade-off): O framework sacrifica no máximo 1–2 pontos percentuais de AUC em comparação com modelos de caixa-preta, enquanto eleva a auditabilidade de "baixa" (post-hoc) para "alta" (intrínseca).

Significância e Alegações
O artigo posiciona-se como a primeira combinação de aprendizado de protótipos e modelos de gargalo de conceitos especificamente para a detecção de fraude em seguros. Sua principal significância reside em oferecer um processo de decisão de "caixa-branca" que satisfaz os requisitos de transparência regulatória sem um sacrifício substancial no poder preditivo.

O autor enquadra explicitamente este trabalho como um estudo de viabilidade. Ele reconhece modestamente que:

A ontologia de conceitos e os resultados numéricos devem ser revalidados em sinistros reais e desidentificados antes da implementação.
Os limites de convergência teóricos são analíticos e requerem verificação de amostra finita.
A perda de consistência conceito–protótipo ainda não foi submetida a ablação.
Trabalhos futuros poderiam explorar a descoberta automática de conceitos para reduzir a dependência de ontologias curadas manualmente.

Em última análise, o artigo argumenta que, em domínios de alto risco como o de seguros, o compromisso de uma queda marginal de desempenho em troca de uma interpretabilidade intrínseca garantida é altamente favorável.

Mais como este