論文の概要: Large-scale Uncertainty Estimation and Its Application in Revenue
Forecast of SMEs
- arxiv url: http://arxiv.org/abs/2005.00718v1
- Date: Sat, 2 May 2020 06:17:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 11:57:08.811976
- Title: Large-scale Uncertainty Estimation and Its Application in Revenue
Forecast of SMEs
- Title(参考訳): 中小企業の大規模不確実性推定と収益予測への応用
- Authors: Zebang Zhang, Kui Zhao, Kai Huang, Quanhui Jia, Yanming Fang, Quan Yu
- Abstract要約: 中小企業の経済と銀行の重要性は、現代社会においてよく認識されている。
信頼できる収益予測モデルを構築することは非常に有益である。
本稿では,実装が容易で,容易に並列化可能で,解釈可能で,高品質な予測不確実性の推定値が得られるスケーラブルな自然グラディエントブースティングマシンを提案する。
- 参考スコア(独自算出の注目度): 10.367755705236249
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The economic and banking importance of the small and medium enterprise (SME)
sector is well recognized in contemporary society. Business credit loans are
very important for the operation of SMEs, and the revenue is a key indicator of
credit limit management. Therefore, it is very beneficial to construct a
reliable revenue forecasting model. If the uncertainty of an enterprise's
revenue forecasting can be estimated, a more proper credit limit can be
granted. Natural gradient boosting approach, which estimates the uncertainty of
prediction by a multi-parameter boosting algorithm based on the natural
gradient. However, its original implementation is not easy to scale into big
data scenarios, and computationally expensive compared to state-of-the-art
tree-based models (such as XGBoost). In this paper, we propose a Scalable
Natural Gradient Boosting Machines that is simple to implement, readily
parallelizable, interpretable and yields high-quality predictive uncertainty
estimates. According to the characteristics of revenue distribution, we derive
an uncertainty quantification function. We demonstrate that our method can
distinguish between samples that are accurate and inaccurate on revenue
forecasting of SMEs. What's more, interpretability can be naturally obtained
from the model, satisfying the financial needs.
- Abstract(参考訳): 中小企業の経済と銀行の重要性は、現代社会においてよく認識されている。
中小企業の運営において、ビジネスクレジットローンは非常に重要であり、収益は信用限度管理の重要な指標である。
したがって、信頼できる収益予測モデルを構築することは極めて有益である。
企業の収益予測の不確実性を推定できれば、より適切な信用限度が与えられる。
自然勾配に基づくマルチパラメータブースティングアルゴリズムによる予測の不確かさを推定する自然勾配ブースティング手法について検討した。
しかし、オリジナルの実装はビッグデータのシナリオにスケールするのは簡単ではなく、最先端のツリーベースモデル(XGBoostなど)と比較して計算コストがかかる。
本稿では,並列化が容易で,容易に解釈可能で,高品質な予測不確実性推定を実現する,スケーラブルな自然勾配ブースティングマシンを提案する。
収益分布の特徴により、不確実な定量化関数を導出する。
本研究では,中小企業の収益予測に正確で不正確なサンプルを識別できることを示す。
さらに、解釈可能性はそのモデルから自然に得られ、経済的ニーズを満たすことができます。
関連論文リスト
- Predictive AI for SME and Large Enterprise Financial Performance
Management [0.0]
バランスシートと所得計算の標準比率を補完する新しい金融・マクロ経済比率を紹介します。
また、企業パフォーマンスを予測するための教師付き学習モデル(MLレグレッタとニューラルネットワーク)とベイジアンモデルも提供します。
提案した変数は,標準産業比率に比例してモデル精度を向上させることができると結論づける。
論文 参考訳(メタデータ) (2023-09-22T11:04:32Z) - Model-free generalized fiducial inference [0.0]
本稿では,不正確な確率的予測推定のためのモデルフリー統計フレームワークの提案と開発を行う。
このフレームワークは、タイプ1エラーの有限サンプル制御を提供する予測セットの形式での不確実性定量化を促進する。
モデルフリー不正確なフレームワークに対する正確な確率近似の理論的および経験的特性について考察する。
論文 参考訳(メタデータ) (2023-07-24T01:58:48Z) - Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。
本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。
新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
論文 参考訳(メタデータ) (2023-07-19T12:11:15Z) - Measuring Consistency in Text-based Financial Forecasting Models [10.339586273664725]
FinTrustは財務文書の論理的一貫性を評価する評価ツールである。
金融予測のための最先端NLPモデルの整合性は乏しいことを示す。
意味保存による性能劣化の分析は,現在のテキストベースの手法が市場情報の堅牢な予測に適していないことを示唆している。
論文 参考訳(メタデータ) (2023-05-15T10:32:26Z) - Financial Distress Prediction For Small And Medium Enterprises Using
Machine Learning Techniques [5.301137510638804]
ファイナンシャルディストレス予測(Financial Distress Prediction)は、失敗する構造物の数と確率を正確に予測することで、経済において重要な役割を果たす。
しかし、中小企業にとっての財政難の予測は、そのあいまいさが原因で困難である。
本稿では,金融データの薄面成分分析,コーポレートガバナンスの質,および市場交換データを関連ベクタマシンに組み込んだ企業FCPモデルを提案する。
論文 参考訳(メタデータ) (2023-02-23T15:58:30Z) - Uncertainty in Extreme Multi-label Classification [81.14232824864787]
eXtreme Multi-label Classification (XMC)は、Webスケールの機械学習アプリケーションにおいて、ビッグデータの時代において不可欠なタスクである。
本稿では,確率的アンサンブルに基づく木系XMCモデルの一般的な不確実性定量化手法について検討する。
特に,XMCにおけるラベルレベルおよびインスタンスレベルの不確実性を解析し,ビームサーチに基づく一般的な近似フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-18T20:54:33Z) - Unpacking the Black Box: Regulating Algorithmic Decisions [4.511923587827301]
エージェントが複雑な「ブラックボックス」予測関数を使用する世界において、予測アルゴリズムを最適に制御する方法を示す。
完全透明にできるほど単純である予測関数に限定するエージェントは、ミスアライメントが限定されている限り非効率であることを示す。
論文 参考訳(メタデータ) (2021-10-05T23:20:25Z) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳(メタデータ) (2021-06-03T08:32:13Z) - Approaching Neural Network Uncertainty Realism [53.308409014122816]
自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。
マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。
自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
論文 参考訳(メタデータ) (2021-01-08T11:56:12Z) - Explanations of Machine Learning predictions: a mandatory step for its
application to Operational Processes [61.20223338508952]
信用リスクモデリングは重要な役割を果たす。
近年,機械学習や深層学習の手法が採用されている。
この分野における説明可能性問題に LIME 手法を適用することを提案する。
論文 参考訳(メタデータ) (2020-12-30T10:27:59Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳(メタデータ) (2020-11-05T08:04:34Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。