استفاده از خوشه‌بندي BIRCH و الگوريتم بهينه‌سازي واكنش شيميايي جهت كشف تقلب در حوزه سلامت

Improved BIRCH Clustering by Chemical Reaction Optimization Algorithm to Health Fraud Detection

حوزه سلامت به علت وسعت عملكرد مالي و همچنين وسعت كاربرد آن، يكي از سيستم‌هاي ايده‌آل براي تقلب است و با وجود راهكارهاي مختلف در اين زمينه، شناسايي داده‌هاي تقلب هنوز يكي از چالش‌ها براي ارائه‌دهندگان خدمات سلامت مي‌باشد. در اين مقاله براي اولين بار الگوريتم BIRCH به عنوان يك الگوريتم خوشه‌بندي سلسله‌مراتبي با الگوريتم بهينه‌سازي واكنش شيميايي (CRO) تركيب شده است. الگوريتم BIRCH با پيچيدگي زماني خطي قابليت كار با حجم بالاي داده‌ها و شناسايي داده‌هاي پرت را دارد و CRO يكي از الگوريتم‌‌هاي فراابتكاري جديد الهام‌گرفته از واكنش شيميايي در دنياي واقعي است كه با يك جمعيت پويا از مولكول‌ها توسط چهار عملگر برخورد به ديواره، تجزيه، برخورد بين مولكولي و تركيب فضاي جستجو را مورد كاوش قرار مي‌دهند. الگوريتم خوشه‌بندي بهبوديافته BIRCH-CRO با حذف فرايند خوشه‌بندي سراسري داخلي نسخه كلاسيك BIRCH و تعيين بهينه پارامترهاي اصلي آن باعث بهبود سرعت و دقت تشخيص داده‌هاي تقلب در حوزه سلامت نسبت به ساير الگوريتم‌هاي بدون نظارت ارائه‌شده در اين حوزه گرديده است. همچنين الگوريتم پيشنهادي توانايي كار با داده‌هاي آنلاين و حجم بالا را دارد و با توجه به نتايج به دست آمده، عملكرد مناسبي را فراهم مي‌كند.

With regard to the scale of the financial transactions and the extent of the healthcare industry, it is one of the ideal systems for fraud. Therefore, suitable identifying fraud data is still one of the challenges facing the healthcare providers, although there are several fraud detection algorithms. In the paper, the BIRCH clustering algorithm, as one hierarchical clustering algorithm, is hybridized with a chemical reaction optimization algorithm (CRO). The BIRCH with linear time complexity is able for clustering large scale data and identifying their noises and the CRO, as one of new meta-heuristic algorithm inspired by the chemical reactions in the real world, explores the search space with a dynamic population size based on four reactions such as on-wall ineffective collision, decomposition, inter-molecular ineffective collision and synthesis. Due to the improved BIRCH-CRO removes the internal clustering process of the classic BIRCH and determines the optimal values of its main parameters, it causes that the computational time decreases and accuracy and precision of detecting fraud data increase since its experimental results is compared with the exist unsupervised algorithms. Also, the proposed fraud detection algorithm has the ability to perform on online data and large scale data, and given the obtained results, it provides a proper performance.