본 논문은 정신 건강 의료 청구의 복잡성으로 인한 이상 현상(사기 포함) 탐지를 위해 LSTM과 Transformer를 결합한 하이브리드 딥러닝 접근 방식을 제시합니다. 기존 머신러닝 기법들이 클래스 불균형, 레이블 부족, 복잡한 순차 패턴 문제에 어려움을 겪는다는 점을 고려하여, Isolation Forests (iForest)와 Autoencoders (AE)를 이용한 의사 레이블링 기법을 함께 활용합니다. 두 개의 실제 정신 건강 의료 청구 데이터셋을 사용하여 모델을 평가했으며, iForest LSTM 기반 모델이 선언 레벨 데이터에서 가장 높은 재현율(0.963)을 달성했고, 운영 레벨 데이터에서는 하이브리드 iForest 기반 모델이 가장 높은 재현율(0.744)을 달성했지만 정밀도는 낮았습니다. 이는 복잡하고 불균형적인 이상 탐지 환경에서 의사 레이블링과 하이브리드 딥러닝 결합의 잠재력을 보여줍니다.
