論文の概要: Clustering in Recurrent Neural Networks for Micro-Segmentation using Spending Personality

• arxiv url: http://arxiv.org/abs/2109.09425v1
• Date: Mon, 20 Sep 2021 11:06:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 01:25:26.245314
• Title: Clustering in Recurrent Neural Networks for Micro-Segmentation using Spending Personality
• Title（参考訳）: スペンディングパーソナリティを用いたマイクロセグメンテーションのための繰り返しニューラルネットワークのクラスタリング
• Authors: Charl Maree, Christian W. Omlin
• Abstract要約: きめ細かい顧客セグメントは、よく理解され、それらを取得する方法のひとつが特徴抽出である。 長短期記憶(LSTM)とフィードフォワードニューラルネットワークを用いて、時間モデルと非シーケンスモデルの両方を考察する。 これらの特徴を用いた分類は、少なくとも2つの一般的な指標、すなわちローンデフォルト率と顧客の流動性指数の変動モデルとして機能することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Customer segmentation has long been a productive field in banking. However, with new approaches to traditional problems come new opportunities. Fine-grained customer segments are notoriously elusive and one method of obtaining them is through feature extraction. It is possible to assign coefficients of standard personality traits to financial transaction classes aggregated over time. However, we have found that the clusters formed are not sufficiently discriminatory for micro-segmentation. In this study, we extract temporal features with continuous values from the hidden states of neural networks predicting customers' spending personality from their financial transactions. We consider both temporal and non-sequential models, using long short-term memory (LSTM) and feed-forward neural networks, respectively. We found that recurrent neural networks produce micro-segments where feed-forward networks produce only course segments. Finally, we show that classification using these extracted features performs at least as well as bespoke models on two common metrics, namely loan default rate and customer liquidity index.
• Abstract（参考訳）: 顧客セグメンテーションは長い間、銀行業において生産的な分野だった。 しかし、従来の問題に対する新しいアプローチによって、新たな機会が生まれる。 きめ細かい顧客セグメントはよく知られ、それらを得る一つの方法は特徴抽出である。 時間とともに集約された金融取引クラスに標準的な性格特性の係数を割り当てることが可能である。 しかし, マイクロセグメンテーションでは, クラスターが十分に識別できないことがわかった。 本研究では,ニューラルネットワークの隠れ状態から時間的特徴を連続的に抽出し,財務取引から顧客の個性を予測する。 長短期記憶(LSTM)とフィードフォワードニューラルネットワークを用いて、時間モデルと非シーケンスモデルの両方を考察する。 繰り返しニューラルネットワークは、フィードフォワードネットワークがコースセグメントのみを生成するマイクロセグメントを生成することがわかった。 最後に,これらの抽出された特徴を用いた分類は,ローンデフォルト率と顧客流動性指標という2つの共通指標に基づいて,少なくとも個別モデルとして機能することを示す。

関連論文リスト

• Neural networks for insurance pricing with frequency and severity data: a benchmark study from data preprocessing to technical tariff [2.4578723416255754]
  本稿では,複数種類の入力機能が存在する場合に,頻度と重大度を目標とした4つの保険データ集合に関するベンチマーク研究を行う。 本稿では,2つの入力データに対する一般化線形モデル,勾配ブースト木モデル,フィードフォワードニューラルネットワーク(FFNN),複合アクチュエータニューラルネットワーク(CANN)の性能を詳細に比較する。
  論文  参考訳（メタデータ） (2023-10-19T12:00:33Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Bayesian Neural Networks for Macroeconomic Analysis [0.0]
  政策機関のマクロ経済分析によく用いられるデータセットを扱うのに適したベイズニューラルネットワーク(BNN)を開発した。 本手法は,アクティベーション関数の新規な混合仕様を用いて,広範な仕様検索を回避する。 我々のBNNは、通常、他の機械学習手法よりも正確な密度予測を生成する。
  論文  参考訳（メタデータ） (2022-11-09T09:10:57Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Discovering Novel Customer Features with Recurrent Neural Networks for Personality Based Financial Services [0.0]
  金融セクターにおける顧客のマイクロセグメンテーションは、非自明な作業であり、近年の科学文献からは非定型的な欠落となっている。 従来のセグメンテーションは、人口統計のような粗い特徴に基づいて顧客を分類するが、マイクロセグメンテーションは個人間のより微妙な違いを描いている。 多くの産業ではユビキタスだが、金融などの敏感な産業におけるAIの普及は、責任あるAIの衝動に大きく依存している。
  論文  参考訳（メタデータ） (2021-09-24T10:32:36Z)
• Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
  本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。 提案手法は,財務時系列のバイモーダル特性を考慮したものである。 我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
  論文  参考訳（メタデータ） (2021-09-01T07:52:03Z)
• Provably Training Neural Network Classifiers under Fairness Constraints [70.64045590577318]
  過パラメータのニューラルネットワークが制約を満たしていることを示す。 公平なニューラルネットワーク分類器を構築する上で重要な要素は、ニューラルネットワークの非応答解析を確立することである。
  論文  参考訳（メタデータ） (2020-12-30T18:46:50Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)

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。