通过优化深度学习技术进行保险索赔估计和欺诈检测.
P Anand Kumar1, S Sountharrajan2
1Department of Computer Science and Engineering, Amrita School of Computing, Amrita Vishwa Vidyapeetham, Chennai, Tamilnadu, India.
Scientific reports
|July 27, 2025
概括
这项研究引入了一种新的深度学习方法,用于保险索赔估计和欺诈检测. 增强的河马优化算法与自定义的12层卷积神经网络相结合,实现了92%的准确性,优于现有方法.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 金融领域的深度学习
背景情况:
- 准确的保险索赔估计和欺诈检测对于金融稳定和风险管理至关重要.
- 传统方法难以处理复杂的保险数据,需要先进的分析技术.
- 金融欺诈对资本市场和经济稳定构成重大威胁.
研究的目的:
- 探索深度学习模型,以提高保险索赔估计和欺诈检测.
- 开发和评估一种新的混合模型,将深度学习与优化算法结合起来.
- 提高保险部门欺诈检测和索赔处理的准确性和效率.
主要方法:
- 使用深度学习模型,包括VGG 16 & 19,ResNet 50和12层和15层的定制卷积神经网络 (CNN).
- 引入了增强的河马优化算法 (EHOA),以优化自定义的12层CNN (EHOA-CNN-12) 的超参数.
- 在EHOA内部实施了动态人口调整和基于势头的更新等技术,以应对优化挑战.
主要成果:
- 拟议的EHOA-CNN-12模型在保险索赔估计和欺诈检测方面表现出卓越的表现.
- 通过EHOA-CNN-12模型实现了92%的卓越准确率.
- 与其他最先进的方法相比,混合方法显著提高了模型的效率和准确性.
结论:
- 深度学习模型,特别是EHOA-CNN-12,为复杂的保险数据分析提供了强大的解决方案.
- 集成EHOA有效优化深度学习模型,提高其在欺诈检测和索赔估计方面的性能.
- 这项研究为改善保险行业的财务安全和运营效率提供了坚实的框架.