通过使用垂直联合学习来检测医疗保险欺诈的隐私保护方法

科学领域:

• 医疗信息学 医疗信息学
• 网络安全 网络安全
• 机器学习 机器学习

背景情况:

• 医疗保健和保险中的集中欺诈检测系统带来了重要的数据保护和安全风险.
• 将敏感数据集中集中起来,增加了对违规和滥用的脆弱性.

研究的目的:

• 引入 FraudNetX,使用垂直联合学习 (VFL) 进行欺诈检测的隐私保护框架.
• 解决集中式方法的局限性,允许在不共享数据的情况下进行协作模式培训.

主要方法:

• 使用的垂直联合学习 (VFL) 具有可量化的差别隐私 (DP) 保证 (ε = 1.0, δ = 1 × 10 ^5).
• 实施高斯式噪声注入 (s = 1.2) 以提高模型训练期间的数据保密性.
• 采用混合架构,结合Feedforward神经网络 (FFNN) 和变压器编码器.
• 应用了自适应权重策略来管理类别不平衡,并改善难以检测的欺诈案件的召回.

主要成果:

• 取得了高的欺诈检测性能:准确率=99.91%,F1得分=99.94%,ROC-AUC=0.98.98.
• 在没有直接数据共享的情况下,在医院和保险公司之间展示了有效的欺诈模式学习.
• 成功地平衡了召回业绩,特别是在少数欺诈类别.

结论:

• FraudNetX提供了一个强大的,保护隐私的解决方案,用于检测医疗保健和保险中的欺诈行为.
• 与DP的VFL方法有效地减轻了与集中数据处理相关的风险.
• 该框架提高了检测准确度,同时确保了个人数据的机密性.