論文の概要: Propensity-to-Pay: Machine Learning for Estimating Prediction Uncertainty

• arxiv url: http://arxiv.org/abs/2008.12065v1
• Date: Thu, 27 Aug 2020 11:49:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 07:01:13.189148
• Title: Propensity-to-Pay: Machine Learning for Estimating Prediction Uncertainty
• Title（参考訳）: Propensity-to-Pay:予測不確かさを推定するための機械学習
• Authors: Md Abul Bashar, Astin-Walmsley Kieren, Heath Kerina, Richi Nayak
• Abstract要約: 本研究では、異なる文脈を考慮し、予測の不確実性を推定する機械学習モデルの能力について検討する。 ベイジアンニューラルネットワークを二元分類問題に活用する新しい概念が提案され,展開に向けて検討されている。
• 参考スコア（独自算出の注目度）: 1.452875650827562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting a customer's propensity-to-pay at an early point in the revenue cycle can provide organisations many opportunities to improve the customer experience, reduce hardship and reduce the risk of impaired cash flow and occurrence of bad debt. With the advancements in data science; machine learning techniques can be used to build models to accurately predict a customer's propensity-to-pay. Creating effective machine learning models without access to large and detailed datasets presents some significant challenges. This paper presents a case-study, conducted on a dataset from an energy organisation, to explore the uncertainty around the creation of machine learning models that are able to predict residential customers entering financial hardship which then reduces their ability to pay energy bills. Incorrect predictions can result in inefficient resource allocation and vulnerable customers not being proactively identified. This study investigates machine learning models' ability to consider different contexts and estimate the uncertainty in the prediction. Seven models from four families of machine learning algorithms are investigated for their novel utilisation. A novel concept of utilising a Baysian Neural Network to the binary classification problem of propensity-to-pay energy bills is proposed and explored for deployment.
• Abstract（参考訳）: 収益サイクルの早い段階で顧客の支払い傾向を予測することは、組織に顧客エクスペリエンスを改善し、困難を減らし、キャッシュフローを損なうリスクと悪い負債の発生を減らす多くの機会を提供することができる。 データサイエンスの進歩により、機械学習技術は顧客の支払い傾向を正確に予測するモデルを構築するのに使うことができる。 大規模かつ詳細なデータセットにアクセスせずに効果的な機械学習モデルを作成することは、いくつかの重要な課題を示している。 本稿では、エネルギー機関のデータセット上で実施したケーススタディについて、住宅顧客が財政難に直面することを予測できる機械学習モデルの作成に関する不確実性について検討し、エネルギー料金を支払う能力を減らすことを目的とした。 誤った予測は、非効率なリソース割り当てをもたらし、脆弱な顧客は積極的に特定されない。 本研究では,機械学習モデルの異なる文脈を考察し,予測の不確かさを推定する能力について検討する。 機械学習アルゴリズムの4つのファミリーの7つのモデルが、その新しい利用のために研究されている。 ベイジアンニューラルネットワークを二元分類問題に活用する新しい概念が提案され,展開に向けて検討されている。

関連論文リスト

• Promoting User Data Autonomy During the Dissolution of a Monopolistic Firm [5.864623711097197]
  本稿では,Conscious Data Contributionのフレームワークが,解散中におけるユーザの自律性を実現する方法を示す。 我々は、微調整と「破滅的な忘れ」の現象が、機械の非学習の一種として実際にどのように有用であるかを探求する。
  論文  参考訳（メタデータ） (2024-11-20T18:55:51Z)
• Learning-Augmented Robust Algorithmic Recourse [7.217269034256654]
  アルゴリズムのリコースは、将来望ましい結果を達成するために、最小限のコスト改善を提案する。 機械学習モデルは時間とともに更新されることが多く、それによってリコースが無効になる可能性がある。 本稿では,この問題に対する新しいアルゴリズムを提案し,ロバスト性・一貫性のトレードオフについて検討し,予測精度が性能に与える影響を分析する。
  論文  参考訳（メタデータ） (2024-10-02T14:15:32Z)
• Verification of Machine Unlearning is Fragile [48.71651033308842]
  両タイプの検証戦略を回避できる2つの新しい非学習プロセスを導入する。 この研究は、機械学習検証の脆弱性と限界を強調し、機械学習の安全性に関するさらなる研究の道を開く。
  論文  参考訳（メタデータ） (2024-08-01T21:37:10Z)
• Self-consistent Validation for Machine Learning Electronic Structure [81.54661501506185]
  機械学習と自己整合フィールド法を統合して,検証コストの低減と解釈可能性の両立を実現する。 これにより、積極的学習によるモデルの能力の探索が可能となり、実際の研究への統合への信頼がもたらされる。
  論文  参考訳（メタデータ） (2024-02-15T18:41:35Z)
• Privacy-Preserving Financial Anomaly Detection via Federated Learning & Multi-Party Computation [17.314619091307343]
  本稿では、金融機関が高精度な異常検出モデルを共同で訓練できるプライバシー保護フレームワークについて述べる。 当社のソリューションは,顧客データのプライバシを保ちながら,高精度な異常検出モデルをトレーニングすることを可能にする。
  論文  参考訳（メタデータ） (2023-10-06T19:16:41Z)
• Re-thinking Data Availablity Attacks Against Deep Neural Networks [53.64624167867274]
  本稿では、未学習例の概念を再検討し、既存のロバストな誤り最小化ノイズが不正確な最適化目標であることを示す。 本稿では,計算時間要件の低減による保護性能の向上を図った新しい最適化パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-05-18T04:03:51Z)
• VCNet: A self-explaining model for realistic counterfactual generation [52.77024349608834]
  事実的説明は、機械学習の決定を局所的に説明するための手法のクラスである。 本稿では,予測器と対実生成器を組み合わせたモデルアーキテクチャであるVCNet-Variational Counter Netを提案する。 我々はVCNetが予測を生成でき、また、別の最小化問題を解くことなく、反現実的な説明を生成できることを示した。
  論文  参考訳（メタデータ） (2022-12-21T08:45:32Z)
• Learnware: Small Models Do Big [69.88234743773113]
  自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。 この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
  論文  参考訳（メタデータ） (2022-10-07T15:55:52Z)
• Analyzing Machine Learning Models for Credit Scoring with Explainable AI and Optimizing Investment Decisions [0.0]
  本稿では、説明可能なAI(XAI)の実践に関連する2つの異なる質問について検討する。 この研究では、単一分類器(論理回帰、決定木、LDA、QDA)、異種アンサンブル(AdaBoost、ランダムフォレスト)、シーケンシャルニューラルネットワークなど、さまざまな機械学習モデルを比較した。 LIMEとSHAPの2つの高度なポストホックモデル説明可能性技術を用いて、MLベースのクレジットスコアリングモデルを評価する。
  論文  参考訳（メタデータ） (2022-09-19T21:44:42Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• Sequential Deep Learning for Credit Risk Monitoring with Tabular Financial Data [0.901219858596044]
  深層学習による信用リスク評価の新たなアプローチを創出する試みを紹介します。 本稿では,深い再帰と因果畳み込みに基づくニューラルネットワークを用いた新しいクレジットカードトランザクションサンプリング手法を提案する。 時間的畳み込みネットワークを用いた逐次的深層学習アプローチは、ベンチマーク非逐次木モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-12-30T21:29:48Z)

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。