論文の概要: Adversarial Semi-supervised Learning for Corporate Credit Ratings
- arxiv url: http://arxiv.org/abs/2104.02479v1
- Date: Sun, 4 Apr 2021 09:05:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-07 13:58:58.553204
- Title: Adversarial Semi-supervised Learning for Corporate Credit Ratings
- Title（参考訳）: 企業信用格付けのための半教師付き学習
- Authors: Bojing Feng, Wenfang Xue
- Abstract要約: 本研究では,企業信用格付けにおける対人的半監督学習の課題について考察する。
第1フェーズでは、通常の機械学習アルゴリズムを用いて通常のレーティングシステムを訓練し、ラベルのないデータ擬似レーティングレベルを与える。
第2フェーズでは、ラベル付きデータと擬似ラベル付きデータとを結合して、逆半教師付き学習を適用する。
- 参考スコア（独自算出の注目度）: 1.90365714903665
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Corporate credit rating is an analysis of credit risks within a corporation,
which plays a vital role during the management of financial risk.
Traditionally, the rating assessment process based on the historical profile of
corporation is usually expensive and complicated, which often takes months.
Therefore, most of the corporations, which are lacking in money and time, can't
get their own credit level. However, we believe that although these
corporations haven't their credit rating levels (unlabeled data), this big data
contains useful knowledge to improve credit system. In this work, its major
challenge lies in how to effectively learn the knowledge from unlabeled data
and help improve the performance of the credit rating system. Specifically, we
consider the problem of adversarial semi-supervised learning (ASSL) for
corporate credit rating which has been rarely researched before. A novel
framework adversarial semi-supervised learning for corporate credit rating
(ASSL4CCR) which includes two phases is proposed to address these problems. In
the first phase, we train a normal rating system via a normal machine-learning
algorithm to give unlabeled data pseudo rating level. Then in the second phase,
adversarial semi-supervised learning is applied uniting labeled data and
pseudo-labeled data. To demonstrate the effectiveness of the proposed ASSL4CCR,
we conduct extensive experiments on the Chinese public-listed corporate rating
dataset, which proves that ASSL4CCR outperforms the state-of-the-art methods
consistently.
- Abstract（参考訳）: 企業信用格付けは、金融リスクの管理において重要な役割を果たす企業内の信用リスクの分析である。
伝統的に、企業の歴史的プロファイルに基づく評価プロセスは、通常高価で複雑であり、数ヶ月かかることが多い。
そのため、資金や時間に乏しい企業のほとんどは、自らの信用レベルを得ることができない。
しかし、これらの企業は信用格付けレベル(ラベルなしデータ)を持っていませんが、このビッグデータには信用システムを改善するための有用な知識が含まれています。
この研究における大きな課題は、ラベルのないデータから知識を効果的に学習し、信用格付けシステムのパフォーマンスを向上させる方法である。
具体的には,これまでほとんど研究されていない企業信用格付けの対向的半教師付き学習(assl)の問題を考える。
コーポレート・クレジット・レーティング(ASSL4CCR)のための新たなフレームワークとして,2段階を含む半教師付き学習を提案する。
第1フェーズでは、通常の機械学習アルゴリズムを用いて通常のレーティングシステムを訓練し、ラベルのないデータ擬似レーティングレベルを与える。
そして、第2フェーズでは、ラベル付きデータと擬ラベル付きデータとを結合した逆半教師付き学習を適用する。
提案するASSL4CCRの有効性を実証するため,中国公募の企業評価データセットに対して広範な実験を行い,ASSL4CCRが最先端の手法を一貫して上回ることを示す。
関連論文リスト
- DeCrisisMB: Debiased Semi-Supervised Learning for Crisis Tweet
Classification via Memory Bank [52.20298962359658]
危機イベントにおいて、人々は、状況、警告、アドバイス、サポートに関する情報を広めるために、Twitterのようなソーシャルメディアプラットフォームを使うことが多い。
完全に教師されたアプローチでは、大量のデータを注釈付けする必要があります。
半教師付きモデルは偏りがあり、特定のクラスでは適度に機能し、他のクラスでは極めて貧弱である。
本稿では,メモリバンクを用いて,各学習クラスから生成された擬似ラベルを等しくサンプリングする,単純かつ効果的なデバイアス処理手法であるDeCrisisMBを提案する。
論文 参考訳（メタデータ） (2023-10-23T05:25:51Z) - Empowering Many, Biasing a Few: Generalist Credit Scoring through Large
Language Models [53.620827459684094]
大規模言語モデル(LLM)は、複数のタスクにまたがる強力な一般化能力を持つ信用スコアリングタスクにおいて大きな可能性を秘めている。
クレジットスコアリングのための LLM を探索する,初のオープンソース包括的フレームワークを提案する。
そこで我々は,各種金融リスク評価タスクの煩雑な要求に合わせて,指導チューニングによる最初の信用・リスク評価大言語モデル(CALM)を提案する。
論文 参考訳（メタデータ） (2023-10-01T03:50:34Z) - KoLA: Carefully Benchmarking World Knowledge of Large Language Models [87.96683299084788]
我々は知識指向LLMアセスメントベンチマーク(KoLA)を構築した。
人間の認知を模倣して、知識関連能力の4段階の分類を形成し、19ドルのタスクをカバーします。
私たちは、LLMによって事前訓練されたコーパスであるウィキペディアと、継続的に収集された新興コーパスを使用して、目に見えないデータや進化する知識を扱う能力を評価します。
論文 参考訳（メタデータ） (2023-06-15T17:20:46Z) - On the dynamics of credit history and social interaction features, and
their impact on creditworthiness assessment performance [3.6748639131154315]
本研究の目的は、信用度評価性能のダイナミクスと、信用履歴、返済行動、ソーシャルネットワークの特徴の影響について理解することである。
本研究は、借り手の歴史が最初の半年で低下し、その後安定していることを示す。
ソーシャルネットワーク機能に対する最も顕著な影響は、ローン申請時に発生する。
論文 参考訳（メタデータ） (2022-04-13T00:42:27Z) - On the combination of graph data for assessing thin-file borrowers'
creditworthiness [0.0]
複数のグラフ表現学習手法をブレンドすることで信用スコアリングモデルを改善する枠組みを導入する。
我々はこの枠組みを,ラテンアメリカの人口全体の関係と信用履歴を特徴付けるユニークなデータセットを用いて検証した。
利回りがはるかに高いコーポレート融資では、非銀行企業の評価が単にその特徴を考慮できないことを確認している。
論文 参考訳（メタデータ） (2021-11-26T18:45:23Z) - Feature-Level Fusion of Super-App and Telecommunication Alternative Data
Sources for Credit Card Fraud Detection [106.33204064461802]
クレジットカード不正を早期に検出するための,スーパーアプリ顧客情報,携帯電話回線データ,従来型の信用リスク変数を融合した機能レベルの有効性について検討する。
クレジットカードのデジタルプラットフォームデータベースから約9万人のユーザを対象に,我々のアプローチを評価した。
論文 参考訳（メタデータ） (2021-11-05T19:10:35Z) - Bagging Supervised Autoencoder Classifier for Credit Scoring [3.5977219275318166]
クレジットスコアリングデータセットの不均衡の性質と、クレジットスコアリングデータセットの特徴の不均一性は、効果的なクレジットスコアリングモデルの開発と実装に困難をもたらす。
本稿では,主にスーパービジョンオートエンコーダの性能を活かしたBaging Supervised Autoencoder (BSAC)を提案する。
BSACはまた、過半数クラスのアンサンプに基づいて、Bagingプロセスの変種を採用することで、データ不均衡の問題にも対処する。
論文 参考訳（メタデータ） (2021-08-12T17:49:08Z) - Contrastive Pre-training for Imbalanced Corporate Credit Ratings [1.90365714903665]
本稿では、自己監視を利用して、学級不均衡を克服するCP4 CCR(Contrastive Pre-training for Corporate Credit Rating)を提案する。
中国の上場企業評価データセットで実施された実験は、CP4 CCRが標準的な企業信用評価モデルのパフォーマンスを向上させることができることを証明しています。
論文 参考訳（メタデータ） (2021-02-18T08:14:46Z) - 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) - PCAL: A Privacy-preserving Intelligent Credit Risk Modeling Framework
Based on Adversarial Learning [111.19576084222345]
本稿では,PCAL(Adversarial Learning)に基づくプライバシ保護型信用リスクモデリングの枠組みを提案する。
PCALは、ターゲット予測タスクのパフォーマンスの重要なユーティリティ情報を維持しながら、元のデータセット内のプライベート情報を隠蔽することを目的としている。
結果は,PCALがユーザデータから効果的なプライバシフリー表現を学習し,信用リスク分析のためのプライバシ保存機械学習の基盤となることを示唆している。
論文 参考訳（メタデータ） (2020-10-06T07:04:59Z)
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。