論文の概要: Machine Assistance for Credit Card Approval? Random Wheel can Recommend and Explain

• arxiv url: http://arxiv.org/abs/2105.06255v1
• Date: Tue, 11 May 2021 08:41:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-15 04:20:31.431488
• Title: Machine Assistance for Credit Card Approval? Random Wheel can Recommend and Explain
• Title（参考訳）: カード承認のための機械支援? ランダムホイールは推奨と説明ができる
• Authors: Anupam Khan, Soumya K. Ghosh
• Abstract要約: この作業は、クレジットカード承認プロセスの信頼できる推奨を促進するために、ランダムホイールの強化バージョンを使用する。 より正確で正確なレコメンデーションをもたらすだけでなく、解釈可能な信頼度指標を提供する。 推奨の信頼と説明が得られれば、マシンが提供する知性に対する信頼が高まる可能性がある。
• 参考スコア（独自算出の注目度）: 7.835815426796573
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Approval of credit card application is one of the censorious business decision the bankers are usually taking regularly. The growing number of new card applications and the enormous outstanding amount of credit card bills during the recent pandemic make this even more challenging nowadays. Some of the previous studies suggest the usage of machine intelligence for automating the approval process to mitigate this challenge. However, the effectiveness of such automation may depend on the richness of the training dataset and model efficiency. We have recently developed a novel classifier named random wheel which provides a more interpretable output. In this work, we have used an enhanced version of random wheel to facilitate a trustworthy recommendation for credit card approval process. It not only produces more accurate and precise recommendation but also provides an interpretable confidence measure. Besides, it explains the machine recommendation for each credit card application as well. The availability of recommendation confidence and explanation could bring more trust in the machine provided intelligence which in turn can enhance the efficiency of the credit card approval process.
• Abstract（参考訳）: クレジットカード申請の承認は、銀行員が定期的に行う検閲的なビジネス判断の1つです。 最近のパンデミックで、新規のカードアプリケーションが増え、クレジットカードの請求額が膨大になったことで、この状況はますます難しくなっている。 先行研究のいくつかは、この課題を軽減するために承認プロセスの自動化にマシンインテリジェンスを使うことを示唆している。 しかしながら、このような自動化の有効性は、トレーニングデータセットの豊かさとモデルの効率に依存する可能性がある。 我々は最近,より解釈可能な出力を提供するランダムホイールという新しい分類器を開発した。 本研究では,ランダムホイールの強化版を用いて,クレジットカード認証プロセスに対する信頼度の高いレコメンデーションを行う。 より正確で正確なレコメンデーションをもたらすだけでなく、解釈可能な信頼度指標を提供する。 さらに、各クレジットカードアプリケーションに対するマシンレコメンデーションについても説明している。 推奨信頼と説明が利用可能になれば、マシンが提供する情報に対する信頼が高まり、クレジットカード承認プロセスの効率が向上する可能性がある。

関連論文リスト

• A Bayesian Approach for Prioritising Driving Behaviour Investigations in Telematic Auto Insurance Policies [0.6249768559720121]
  旅行用GPSと加速度計データを地理空間情報で拡張し,配送用不完全な分類器をトリップ単位で訓練する。 後続確率は優先順位スコアに変換され、手動による調査において最も価値のある候補を選択するために使用された。 この手法は、手動検索と比較して人的資源配分の効率を大幅に改善した。
  論文  参考訳（メタデータ） (2024-04-22T15:26:24Z)
• User Strategization and Trustworthy Algorithms [81.82279667028423]
  ユーザストラテジゼーションがプラットフォームを短期間で支援できることが示されています。 そして、それがプラットフォームのデータを破壊し、最終的に反実的な決定を下す能力を損なうことを示します。
  論文  参考訳（メタデータ） (2023-12-29T16:09:42Z)
• Credit Card Fraud Detection Using Enhanced Random Forest Classifier for Imbalanced Data [0.8223798883838329]
  本稿では,この問題を解決するためにランダムフォレスト(RF)アルゴリズムを実装した。 本研究ではクレジットカード取引のデータセットを用いた。
  論文  参考訳（メタデータ） (2023-03-11T22:59:37Z)
• A Survey: Credit Sentiment Score Prediction [0.0]
  機械学習マイニング技術は、信用格付け予測の様々な領域を強化するために利用されてきた。 この研究の主な目的は、信用力を生み出すために使われている現在の感情分析技術を検討することである。
  論文  参考訳（メタデータ） (2022-09-30T08:03:52Z)
• Tradeoffs in Preventing Manipulation in Paper Bidding for Reviewer Assignment [89.38213318211731]
  入札の利点にもかかわらず、紙入札への依存は、悪意のあるレビュアーが非倫理的な目的のために紙の割り当てを操作できるようにする。 この操作を防ぐためのいくつかの異なるアプローチが提案され、デプロイされている。 本稿では,入札操作に対処するアルゴリズムが満足すべき特定の望ましい特性を列挙する。
  論文  参考訳（メタデータ） (2022-07-22T19:58:17Z)
• 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)
• 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)
• Transparency, Auditability and eXplainability of Machine Learning Models in Credit Scoring [4.370097023410272]
  本稿では,信用スコアリングモデルを理解しやすくするために考慮すべきさまざまな次元について検討する。 本稿では,クレジットスコアにどのように適用できるか,そしてスコアカードの解釈可能性と比較する方法について概説する。
  論文  参考訳（メタデータ） (2020-09-28T15:00:13Z)
• Generating Fact Checking Explanations [52.879658637466605]
  まだ欠けているパズルの重要なピースは、プロセスの最も精巧な部分を自動化する方法を理解することです。 本稿では、これらの説明を利用可能なクレームコンテキストに基づいて自動生成する方法について、最初の研究を行う。 この結果から,個別に学習するのではなく,両目標を同時に最適化することで,事実確認システムの性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2020-04-13T05:23:25Z)
• A Case for Humans-in-the-Loop: Decisions in the Presence of Erroneous Algorithmic Scores [85.12096045419686]
  本研究では,児童虐待のホットラインスクリーニング決定を支援するアルゴリズムツールの採用について検討した。 まず、ツールがデプロイされたときに人間が行動を変えることを示します。 表示されたスコアが誤ったリスク推定である場合、人間はマシンの推奨に従わない可能性が低いことを示す。
  論文  参考訳（メタデータ） (2020-02-19T07:27:32Z)
• Predicting Bank Loan Default with Extreme Gradient Boosting [0.0]
  ローンのデフォルト予測には、XGBoostと呼ばれるExtreme Gradient Boostingアルゴリズムを使用します。 この予測は、ローン申請と申請者の人口統計の両方のデータセットを考慮に入れた、指導的銀行からのローンデータに基づいている。
  論文  参考訳（メタデータ） (2020-01-18T18:52:10Z)

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。

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。