Key points are not available for this paper at this time.
كان الاحتيال في التأمين الطبي دائمًا تحديًا حاسمًا في مجال صناعة الرعاية الصحية. تركز نماذج اكتشاف الاحتيال الحالية في الغالب على مشاهد التعلم غير المتصل. ومع ذلك، فإن أنماط الاحتيال تتطور باستمرار، مما يجعل من الصعب على النماذج المدربة على بيانات سابقة اكتشاف أنماط الاحتيال الجديدة الناشئة، مما يشكل تحديًا حادًا في كشف الاحتيال الطبي. علاوة على ذلك، فإن النماذج الحالية للتعلم التدريجي مصممة في الغالب للتعامل مع نسيان الكارثي، ولكنها غالبًا ما تظهر أداءً دون المستوى الأمثل في كشف الاحتيال. لمعالجة هذا التحدي، يقترح هذا البحث طريقة مبتكرة للتعلم عبر الإنترنت لكشف الاحتيال في التأمين الطبي، تسمى POCL. تجمع هذه الطريقة بين التمهيد للتعلم التمييزي مع استراتيجيات التحديث عبر الإنترنت. في مرحلة التمهيد، نستفيد من التمهيد للتعلم التمييزي للتعلم من البيانات التاريخية، مما يتيح التعلم العميق للميزات والحصول على تمثيلات غنية للمخاطر. في مرحلة التعلم عبر الإنترنت، نعتمد استراتيجية التحديث عبر الإنترنت المستندة إلى الذاكرة الزمنية، مما يسمح للنموذج بأداء التعلم والتحديث التدريجي بناءً على البيانات الجديدة الناشئة باستمرار. يضمن ذلك التكيف الفوري مع أنماط الاحتيال ويقلل من نسيان المعرفة السابقة. يخضع نموذجنا لتجارب وتقييمات مكثفة على مجموعات بيانات الاحتيال في التأمين الواقعية. تُظهر النتائج أن نموذجنا يتمتع بمزايا ملحوظة في الدقة مقارنة بأساليب القاعدة الحالية المتقدمة، بينما يظهر أيضًا زمن تشغيل واستهلاك مساحة أقل. تم إصدار مصادرنا على https://github.com/finint/POCL.
درس Zhang وآخرون (Sun) هذا السؤال.