Fugu-MT 論文翻訳(概要): Individual Claims Forecasting with Bayesian Mixture Density Networks

論文の概要: Individual Claims Forecasting with Bayesian Mixture Density Networks

arxiv url: http://arxiv.org/abs/2003.02453v1
Date: Thu, 5 Mar 2020 06:35:51 GMT
ステータス: 処理完了
システム内更新日: 2022-12-26 07:46:18.813920
Title: Individual Claims Forecasting with Bayesian Mixture Density Networks
Title（参考訳）: ベイズ混合密度ネットワークを用いた個別クレーム予測
Authors: Kevin Kuo
Abstract要約: ベイズ混合密度ネットワークを用いた個別クレーム予測フレームワークを提案する。提案手法により,構造化データソースと非構造化データソースの両方からのクレーム情報を組み込むことが可能である。公開データを用いてフレームワークの実装と評価を行う。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce an individual claims forecasting framework utilizing Bayesian mixture density networks that can be used for claims analytics tasks such as case reserving and triaging. The proposed approach enables incorporating claims information from both structured and unstructured data sources, producing multi-period cash flow forecasts, and generating different scenarios of future payment patterns. We implement and evaluate the modeling framework using publicly available data.
Abstract（参考訳）: 本稿では,ケース保存やトリアージといったクレーム分析タスクに使用できるベイズ混合密度ネットワークを利用した個々のクレーム予測フレームワークを提案する。提案手法は,構造化データと非構造化データの両方からの請求情報を取り入れ,複数周期キャッシュフロー予測を生成し,将来の支払いパターンの異なるシナリオを生成する。利用可能なデータを用いてモデリングフレームワークの実装と評価を行う。

関連論文リスト

When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文参考訳（メタデータ） (2023-10-17T20:30:16Z)
On the Properties and Estimation of Pointwise Mutual Information Profiles [49.877314063833296]
ポイントワイド相互情報プロファイル(ポイントワイド相互情報プロファイル、英: pointwise mutual information profile)は、与えられた確率変数のペアに対するポイントワイド相互情報の分布である。そこで我々は,モンテカルロ法を用いて分布を正確に推定できる新しい分布系 Bend と Mix Models を導入する。
論文参考訳（メタデータ） (2023-10-16T10:02:24Z)
Learning Mixture Structure on Multi-Source Time Series for Probabilistic Forecasting [4.179947630802189]
本稿では,異なる予測関係を学習するためのニューラルネットワーク構造に基づく確率モデルを提案する。対象変数の異なる分布に適用可能な予測および不確実性定量化手法を提案する。
論文参考訳（メタデータ） (2023-02-22T00:51:44Z)
When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文参考訳（メタデータ） (2022-06-16T06:13:53Z)
Aggregating distribution forecasts from deep ensembles [0.0]
本稿では,ディープアンサンブルのための一般的な量子集約フレームワークを提案する。深層アンサンブルからの予測分布を組み合わせることで,予測性能を大幅に向上できることを示す。
論文参考訳（メタデータ） (2022-04-05T15:42:51Z)
MECATS: Mixture-of-Experts for Quantile Forecasts of Aggregated Time Series [11.826510794042548]
我々はtexttMECATS という異種の専門家フレームワークを混合して導入する。集約階層を通じて関連付けられた時系列の集合の値を同時に予測する。異なる種類の予測モデルを個別の専門家として使用することで、各モデルの形式を対応する時系列の性質に合わせて調整することができる。
論文参考訳（メタデータ） (2021-12-22T05:05:30Z)
CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。多様なデータソースから表現と不確実性を学ぶことができる。動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。 CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
論文参考訳（メタデータ） (2021-09-15T17:13:47Z)
Probabilistic Time Series Forecasting with Implicit Quantile Networks [0.7249731529275341]
自己回帰的リカレントニューラルネットワークとインプリシット量子ネットワークを併用して、時系列ターゲット上の大規模な分布を学習する。提案手法は, 時間分布の推定だけでなく, ポイントワイズ予測精度の観点からも好適である。
論文参考訳（メタデータ） (2021-07-08T10:37:24Z)
Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文参考訳（メタデータ） (2021-01-31T06:49:33Z)
Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文参考訳（メタデータ） (2020-12-23T16:21:34Z)
Probabilistic multivariate electricity price forecasting using implicit generative ensemble post-processing [0.0]
我々は、多変量電力価格シナリオを生成するために、点予測モデルのアンサンブルに基づく、可能性のない暗黙的生成モデルを使用する。我々のアンサンブル後処理法は、確立されたモデル組合せベンチマークより優れている。我々の手法はドメイン固有のエキスパートモデルの集合の上で機能するため、他の予測タスクに容易にデプロイできる。
論文参考訳（メタデータ） (2020-05-27T15:22:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。