論文の概要: Geographic ratemaking with spatial embeddings

• arxiv url: http://arxiv.org/abs/2104.12852v1
• Date: Mon, 26 Apr 2021 20:09:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-28 13:21:59.057830
• Title: Geographic ratemaking with spatial embeddings
• Title（参考訳）: 空間埋め込みによる地理的レートメイキング
• Authors: Christopher Blier-Wong and H\'el\`ene Cossette and Luc Lamontagne and Etienne Marceau
• Abstract要約: ある領域に高い被曝率を持つ保険会社は、通常競争上の優位性がある。 過去の損失データが利用できない地域では、地理的損失に依存することが問題となる。 本論文では, 歴史的保険請求損失の平滑化に代えて, 地理レートモデルを構築するためのデータに基づく手法を提案する。
• 参考スコア（独自算出の注目度）: 0.3211619859724084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial data is a rich source of information for actuarial applications: knowledge of a risk's location could improve an insurance company's ratemaking, reserving or risk management processes. Insurance companies with high exposures in a territory typically have a competitive advantage since they may use historical losses in a region to model spatial risk non-parametrically. Relying on geographic losses is problematic for areas where past loss data is unavailable. This paper presents a method based on data (instead of smoothing historical insurance claim losses) to construct a geographic ratemaking model. In particular, we construct spatial features within a complex representation model, then use the features as inputs to a simpler predictive model (like a generalized linear model). Our approach generates predictions with smaller bias and smaller variance than other spatial interpolation models such as bivariate splines in most situations. This method also enables us to generate rates in territories with no historical experience.
• Abstract（参考訳）: リスクの位置に関する知識は、保険会社のレートメイキング、保存、リスク管理プロセスを改善する可能性がある。 領域に露出が大きい保険会社は、非パラメトリックな空間リスクをモデル化するために、地域における歴史的損失を利用するため、競争上の優位性を持つことが多い。 過去の損失データが利用できない地域では、地理的損失に依存することが問題となる。 本稿では,地理的レートメイキングモデルを構築するためのデータに基づく手法(過去の保険請求損失の平滑化に代えて)を提案する。 特に、複素表現モデル内で空間的特徴を構築し、その特徴をより単純な予測モデル(一般化線形モデルなど)への入力として利用する。 本手法は,双変量スプラインなどの他の空間補間モデルよりもバイアスが小さく,ばらつきが小さい予測を生成する。 この方法では、歴史的経験のない領域で率を生成できる。

関連論文リスト

• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• GeoWizard: Unleashing the Diffusion Priors for 3D Geometry Estimation from a Single Image [94.56927147492738]
  単一画像から幾何学的属性を推定するための新しい生成基盤モデルであるGeoWizardを紹介する。 拡散前処理の活用は,資源利用における一般化,詳細な保存,効率性を著しく向上させることが示唆された。 本稿では,様々なシーンの複雑なデータ分布を,個別のサブディストリビューションに分離する,シンプルかつ効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-18T17:50:41Z)
• Geospatial Disparities: A Case Study on Real Estate Prices in Paris [0.3495246564946556]
  地理空間データから生じるバイアスを識別・緩和するためのツールキットを提案する。 空間的属性を持つ順序回帰ケースを2次分類の焦点から逸脱する。 本手法を概説し,本手法の実践的応用を実証し,公正度と校正対策のための地理的集約レベルを選択することの意味を精査する。
  論文  参考訳（メタデータ） (2024-01-29T14:53:14Z)
• Spatial-temporal Forecasting for Regions without Observations [13.805203053973772]
  本研究では,歴史的観察を伴わない関心領域の時空間予測について検討した。 タスクに対してSTSMというモデルを提案する。 私たちの重要な洞察は、関心のある領域に類似している場所から学ぶことです。
  論文  参考訳（メタデータ） (2024-01-19T06:26:05Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• HintNet: Hierarchical Knowledge Transfer Networks for Traffic Accident Forecasting on Heterogeneous Spatio-Temporal Data [17.345649325770957]
  交通事故予測は交通管理と公共安全にとって重要な問題である。 交通事故の発生は、空間的・時間的特徴間の複雑な依存関係に影響される。 近年の交通事故予測手法では, 深層学習モデルによる精度向上が試みられている。
  論文  参考訳（メタデータ） (2022-03-07T02:11:04Z)
• Approximate Regions of Attraction in Learning with Decision-Dependent Distributions [11.304363655760513]
  我々は、繰り返しリスク最小化を、実行リスク最小化の勾配流の軌跡として分析する。 この設定において、様々な平衡に対するアトラクションの領域を特徴付ける条件を提供する。 本稿では、繰り返しリスク最小化の収束に関する幾何学的条件を提供する性能的アライメントの概念を、性能的リスク最小化に導入する。
  論文  参考訳（メタデータ） (2021-06-30T18:38:08Z)
• Learning Incident Prediction Models Over Large Geographical Areas for Emergency Response Systems [0.7340017786387767]
  本稿では,道路の地形,気象,歴史的事故,リアルタイム交通渋滞に関するデータを用いて,事故予測を支援するパイプラインについて述べる。 実験結果から,本手法は現状の手法と比較して,現場での応答時間を著しく短縮できることがわかった。
  論文  参考訳（メタデータ） (2021-06-15T17:33:36Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• Graph Embedding with Data Uncertainty [113.39838145450007]
  スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。 ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
  論文  参考訳（メタデータ） (2020-09-01T15:08:23Z)

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。