Ongesuperviseerd representatieleren en ziekteverzekering anomaliedetectie

Een van de belangrijkste redenen van de vooruitgang in machine learning is te danken aan het steeds krachtiger wordende representatieleren. Het bekendste type van representatieleren is een neuraal netwerk, krachtige modellen die automatisch eigenschappen uit invoergegevens kunnen extraheren. Men heeft echter weinig controle over de soorten representaties die een neuraal netwerk leert. Dit motiveert onderzoek naar representatieleren die voorkennis kan integreren, inzicht in het model kan bieden en het leerproces kan verbeteren.
In dit werk worden een aantal unsupervised machine learning-methoden voor representatieleren besproken om de prestaties te verbeteren, bias aan te pakken, de diversiteit en de verklaarbaarheid van machine learning-modellen te verbeteren.
In het bijzonder wordt het probleem van mode collapse en complete mode coverage in generative adversarial networks aangepakt.
Daarnaast breiden we het restricted kernel machines framework uit voor tijdsreeksanalyse, zodat het tijdreeksfuncties kan leren en ongeziene toekomstige waarden kan voorspellen.
Ten slotte wordt een nieuwe techniek in representatieleren in combinatie met andere state-of-the-art methoden gebruikt om een systeem te creëren dat zorgverzekeraars helpt bij het opsporen van afwijkende profielen.