跳转至

Healthcare Insurance Fraud Detection via Continual Fiedler Vector Graph Model

会议: ICLR 2026
OpenReview: https://openreview.net/forum?id=ZWDvIKMkMG
代码: https://github.com/yhzhang1309/ConFVG
领域: 图异常检测 / 持续学习 / 医保欺诈
关键词: 欺诈检测, 谱图理论, Fiedler 向量, 图自编码器, 在线持续学习, Mean Teacher

一句话总结

ConFVG 用图拉普拉斯的第二小特征向量（Fiedler 向量）指导图自编码器的掩码策略来在标签稀缺时学结构感知表征，再用子图注意力融合 + Mean Teacher 在无标签的在线流里持续适应不断变化的欺诈模式，实现医保欺诈的实时检测。

研究背景与动机

领域现状：医保欺诈每年造成巨额损失（报告称美国联邦 Medicare 欺诈约 610 亿美元，占联邦医疗支出约 7%）。由于欺诈实体（患者、医生、理赔）之间存在复杂的关系结构，基于图神经网络的方法（CARE-GNN、PC-GNN 等）成为主流，能很好建模这种关系依赖。

现有痛点：真实部署有两道坎被以往工作分开处理。其一是预训练阶段标签极度稀缺——人工核验成本高、周期长，某些医保系统中只有 0.062% 样本被标为欺诈；全监督方法在标签不足时性能骤降，而普通自监督自编码器虽不依赖标签，却抓不住「合谋团伙」「社区异常」这类结构性欺诈信号。其二是在线流非平稳——欺诈模式随时间演化、不断以新的关系结构出现，而在线测试阶段几乎拿不到标签，使得依赖真值更新的在线模型无法适应。

核心矛盾：极端标签稀缺与欺诈模式漂移在真实医保流里同时发生，而以往要么只做「标签高效的预训练」、要么只做「演化环境下的自适应」，缺一个二者统一的方案。

本文目标：提出一个面向「标签稀缺 + 非平稳」的统一框架，既能从有限监督中泛化，又能在无标签在线流里持续适应。

核心 idea：用谱图信号当无标签的「欺诈先验」——欺诈节点常表现为非平滑信号（孤立点或异常稠密子图，破坏图的全局同质性），而 Fiedler 向量恰好编码了社区边界与连通瓶颈这类全局拓扑，把它注入自编码器的掩码概率，就能在没有标签时也突出欺诈相关结构；在线阶段再用子图补全 + 注意力融合 + Mean Teacher做无监督持续更新。

方法详解

整体框架

ConFVG 分两阶段。预训练阶段只能访问历史图 \(G_h\)，用 Fiedler 向量引导的图自编码器学结构感知表征 \(\theta_{history}\)；在线阶段任务以长序列 \(G_o\) 到来，模型只能看当前任务 \(G_o^i\)（拿不到历史也拿不到标签），用子图注意力融合（SAF）模块和 Mean Teacher 持续更新参数。问题被简化成「预训练部分有标签、在线全无标签」的挑战性设定。

flowchart LR
    A[历史图 G_h] --> B[Fiedler 向量分解<br/>λ2 → v_f]
    B --> C[结构感知掩码概率 s_j]
    C --> D[图自编码器<br/>L_cls + α·L_mask]
    D -->|θ_s → θ_t 初始化| E[在线流 G_o^i]
    E --> F[子图补全 G_comp<br/>取 top-k 连通分量]
    F --> G[注意力融合 z]
    G --> H[Mean Teacher<br/>L_sim + α·L_attn, EMA 更新]
    H --> E

关键设计

1. Fiedler 向量引导的掩码策略：让谱信号决定「该遮哪些特征」。 普通随机掩码（如 GraphMAE）可能遮掉无用特征、漏掉关键特征，造成信息丢失。本文从谱图理论出发，把每个节点的平滑度 \(q_i\) 组成向量 \(q\)，全局平滑度定义为 \(\text{Graph}_{smooth}=\sum_{(i,j)\in E}(q_i-q_j)^2\)。最小化它等价于 \(\min q^T L q=\min\sum_i \lambda_i z_i^2\)（\(L=D-A\) 为拉普拉斯矩阵）；通过约束投影使 \(q^T L q=\lambda_2\)，于是最优 \(q\) 就是第二小特征值对应的特征向量，即 Fiedler 向量 \(v_f=u_2\)，它天然指示每个节点的欺诈概率（社区边界、连通瓶颈处的非平滑节点）。再把 \(v_f\) 和归一化节点特征线性投影成掩码概率 \(s_j=\big|\sum_{i=1}^n v_{f,i}\cdot X_{norm,ij}\big|\)，用 \(s\) 替换伯努利掩码矩阵 \(M\) 的采样概率，使重建任务聚焦欺诈相关特征。预训练总损失 \(L_{pretrain}=L_{cls}+\alpha_{mask}L_{mask}\)。

2. 多连通分量的全连接扰动：救活退化的 Fiedler 向量。 医保图常不连通、甚至有多个连通分量，此时拉普拉斯谱分解退化（多个零特征值），Fiedler 向量失去捕捉异常的能力。本文给原邻接矩阵加一个全连接弱扰动 \(A'=A+\epsilon\cdot(J-I)\)（\(J\) 为全 1 矩阵，\(I\) 为单位阵），把多个分量弱连成单一连通图，从而恢复 \(\lambda_2\) 的判别意义，扰动上界在附录讨论。这是让谱方法落地到真实稀疏医保图的关键工程点。

3. 子图注意力融合（SAF）：补全被忽略的跨分量欺诈关联。 GraphSAGE/GAT 这类只在原始连通子图内 top-k 邻居间传播信息，高度依赖初始连接、且看不到分量之间相似的欺诈模式，在动态环境下泛化弱。SAF 取图的 top-k 个最大连通分量，构造补图 \(G_{comp}\)（连接原本不相连的节点对），分别编码得 \(z_{orig}=E(G)\)、\(z_{comp}=E(G_{comp})\)，再做注意力融合 \(z=\sigma(W_2\,\text{ReLU}(W_1[z_{orig};z_{comp}]+b_1)+b_2)\)。注意力损失 \(L_{attn}=\text{ReLU}\big(\frac{1}{|V\setminus V_G|}\sum_{i\in V\setminus V_G}a_i-\frac{1}{|V_G|}\sum_{i\in V_G}a_i\big)\) 控制模型对补图的权重，迫使其自适应地放大新出现的高风险结构（异常稠密簇、时间同步活动）。

4. Mean Teacher 无监督在线更新：在没标签的流里防遗忘。 在线阶段标签不可得，用师生结构：教师 \(M_t\) 对新任务出预测，学生 \(M_s\) 用 KL 散度对齐 \(L_{sim}=\text{KL}(\text{Softmax}(z_s)\|\text{Softmax}(z_t))\)。在线总损失 \(L_{online}=L_{sim}+\alpha_{attn}L_{attn}\) 更新学生；教师用指数滑动平均 \(\theta_t^{(i)}=\alpha\theta_t^{(i-1)}+(1-\alpha)\theta_s^{(i)}\) 缓慢跟进，稳定更新、防止灾难性遗忘，实现无监督的结构感知持续适应。

实验关键数据

主实验（医保数据集，不同标签率，AUC / F1）

真实大规模医保数据集（>10 万受益人、517,737 条理赔），前 15 天作历史集、其余作在线集；历史集随机保留 1%/10% 标签，在线集全部去标。100%* 表示传统全标签在线场景。

模型 类型 1% AUC 1% F1 10% AUC 10% F1 100%* AUC 100%* F1
PC-GNN 离线 63.75 50.16 69.38 54.25 78.11 60.10
GAD 半监督 73.29 56.81 76.54 61.73 77.56 62.35
POCL 在线 70.64 52.45 74.76 60.31 80.32 63.56
ConFVG（本文） — 76.13 62.24 80.48 64.48 80.61 63.24

ConFVG 在 1% 和 10% 标签率下 AUC/F1 均领先；标签从 10% 降到 1% 时退化最小，凸显标签稀缺下的鲁棒性。即便在 100%* 全标签传统场景也保持 SOTA AUC（F1 与最优在线模型差距极小）。

跨数据集泛化（10% 标签率，AUC / F1）

模型 Medical YelpChi Amazon
GAD 76.54 / 61.73 75.22 / 62.61 89.56 / 85.05
POCL 74.76 / 60.31 73.18 / 61.60 87.57 / 80.12
ConFVG 80.48 / 64.48 76.85 / 64.53 91.07 / 87.32

在 YelpChi、Amazon 两个通用欺诈数据集上同样全面领先，证明方法不限于医保。

消融实验（医保，AUC / F1 / Acc）

自编码器 图补全 Mean-Teacher AUC F1 Acc
× × × 67.21 39.13 63.43
✓ × × 76.13 61.56 74.29
✓ ✓ × 78.21 63.11 74.12
✓ × ✓ 77.35 64.25 73.81
✓ ✓ ✓ 80.48 64.48 76.45

关键发现

  • Fiedler 自编码器是性能基石：单加自编码器就把 AUC 从 67→76、F1 从 39→62，是提升最大的单一组件。
  • 三组件互补：图补全主要补 AUC/F1，Mean Teacher 主要稳准确率与防遗忘，三者齐备才达最优；缺自编码器时（仅补全+Teacher）准确率明显回落到 66.56，说明结构感知预训练不可或缺。
  • 在线曲线更平：按月平均准确率上，ConFVG 在线学习过程中几乎不衰减，而传统模型随时间持续下降、波动大。

亮点与洞察

  • 把谱图理论的 Fiedler 向量用作「无标签欺诈先验」，逻辑闭环漂亮：合谋欺诈 → 破坏同质性 → 非平滑信号 → \(\lambda_2\) 特征向量 → 掩码概率，是个有理论支撑又能落地的设计。
  • 直面真实部署的两难（标签稀缺 + 流漂移），并把二者统一在一个框架里，而非分别解决。
  • 对图退化的工程处理（全连接弱扰动救活 Fiedler 向量）很实在，是谱方法在稀疏真实图上能用的前提。
  • 完全无标签在线更新：Mean Teacher + 注意力损失绕开了在线阶段拿不到标签的硬约束。

局限与展望

  • 谱分解的可扩展性：拉普拉斯特征分解在超大图上代价高，论文用按天构图缓解，但全图级 Fiedler 计算如何扩展到百万级动态图未充分讨论。
  • 全连接扰动的超参敏感性：\(\epsilon\)、top-k 分量数等都靠附录调参，缺乏自适应选择机制。
  • Fiedler 向量假设单一主导社区结构，对多尺度/层次化合谋是否仍最优值得验证（或可考虑多个小特征向量）。
  • F1 在 100%* 全标签场景未超在线 SOTA，说明谱自监督的优势主要体现在标签稀缺区间。

相关工作与启发

  • 图欺诈检测：CARE-GNN、PC-GNN（全监督，标签感知邻居选择）；SemiGNN、GTAN、SAD、GAD（半监督，自监督/伪标签）；POCL、ContinualGNN、FGN（在线，参数级持续更新）。ConFVG 的差异是把谱自监督与无标签在线自适应合一。
  • 持续学习：参数正则（EWC、EVCL）、数据回放（iCaRL、GEM）、动态结构（DEN、BC-DEN）三大流派；多数假设在线有真值标签，本文用 Mean Teacher 摆脱该假设。
  • 启发：谱图量（Fiedler 向量、拉普拉斯特征）作为「结构先验」去指导自监督掩码/采样，是一条可迁移到其他图异常检测、社区发现任务的通用思路；「补图 + 注意力融合」也为只看局部连通子图的 GNN 提供了捕捉跨分量长程关联的轻量方案。

评分

  • 新颖性: ⭐⭐⭐⭐ — Fiedler 向量引导掩码 + 补图注意力融合 + 无标签 Mean Teacher 的组合在图欺诈检测里较新颖，谱信号当欺诈先验的动机干净。
  • 实验充分度: ⭐⭐⭐⭐ — 三数据集、多标签率、完整 2³ 消融、在线月度曲线齐全，覆盖到位；但缺大图可扩展性与超参敏感性的系统分析。
  • 写作质量: ⭐⭐⭐⭐ — 动机与方法推导清晰，谱理论到掩码的链条讲得明白；部分细节（扰动上界、top-k 选择）压到附录。
  • 价值: ⭐⭐⭐⭐ — 直击医保欺诈真实部署的标签稀缺+漂移痛点，方法可迁移到通用图欺诈/异常检测，实用价值高。

相关论文