論文の概要: Discovering Novel Customer Features with Recurrent Neural Networks for
Personality Based Financial Services
- arxiv url: http://arxiv.org/abs/2109.11871v1
- Date: Fri, 24 Sep 2021 10:32:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-27 20:58:15.880611
- Title: Discovering Novel Customer Features with Recurrent Neural Networks for
Personality Based Financial Services
- Title（参考訳）: パーソナリティに基づく金融サービスのためのリカレントニューラルネットワークによる新規顧客機能発見
- Authors: Charl Maree, Christian W. Omlin
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The micro-segmentation of customers in the finance sector is a non-trivial
task and has been an atypical omission from recent scientific literature. Where
traditional segmentation classifies customers based on coarse features such as
demographics, micro-segmentation depicts more nuanced differences between
individuals, bringing forth several advantages including the potential for
improved personalization in financial services. AI and representation learning
offer a unique opportunity to solve the problem of micro-segmentation. Although
ubiquitous in many industries, the proliferation of AI in sensitive industries
such as finance has become contingent on the imperatives of responsible AI. We
had previously solved the micro-segmentation problem by extracting temporal
features from the state space of a recurrent neural network (RNN). However, due
to the inherent opacity of RNNs our solution lacked an explanation - one of the
imperatives of responsible AI. In this study, we address this issue by
extracting an explanation for and providing an interpretation of our temporal
features. We investigate the state space of our RNN and through a linear
regression model reconstruct the trajectories in the state space with high
fidelity. We show that our linear regression coefficients have not only learned
the rules used to create the RNN's output data but have also learned the
relationships that were not directly evident in the raw data.
- Abstract（参考訳）: 金融部門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、最近の科学文献からの非定型的欠落である。
従来のセグメンテーションが人口統計のような粗い特徴に基づいて顧客を分類する場合、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き、金融サービスのパーソナライゼーションを改善する可能性を含むいくつかの利点をもたらす。
AIと表現学習は、マイクロセグメンテーションの問題を解決するユニークな機会を提供する。
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の衝動に依存している。
我々は以前、リカレントニューラルネットワーク(RNN)の状態空間から時間的特徴を抽出することで、マイクロセグメンテーション問題を解いた。
しかしながら、RNNの本質的な不透明さのため、私たちのソリューションには説明がなかった。
本研究では,時間的特徴の解釈と説明を抽出することにより,この問題に対処する。
我々はRNNの状態空間と線形回帰モデルを用いて、高忠実度で状態空間の軌道を再構成する。
我々の線形回帰係数は、RNNの出力データを作成するのに使用される規則を学習しただけでなく、生データで直接明らかでない関係も学習したことを示す。
関連論文リスト
- MAPPING: Debiasing Graph Neural Networks for Fair Node Classification
with Limited Sensitive Information Leakage [1.8238848494579714]
公正ノード分類のためのモデルに依存しない新しい脱バイアスフレームワーク MAPPing を提案する。
以上の結果から,MAPPingは実用性と公正性,および機密情報漏洩のプライバシーリスクとのトレードオフを良好に達成できることが示された。
論文 参考訳（メタデータ） (2024-01-23T14:59:46Z) - 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) - Learning Low Dimensional State Spaces with Overparameterized Recurrent
Neural Nets [57.06026574261203]
我々は、長期記憶をモデル化できる低次元状態空間を学習するための理論的証拠を提供する。
実験は、線形RNNと非線形RNNの両方で低次元状態空間を学習することで、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2022-10-25T14:45:15Z) - 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) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳（メタデータ） (2021-12-09T07:11:14Z) - Recurrent Neural Networks for Learning Long-term Temporal Dependencies
with Reanalysis of Time Scale Representation [16.32068729107421]
時間的表現としての忘れ門の解釈は、状態に対する損失の勾配が時間とともに指数関数的に減少するときに有効であると主張する。
本稿では,従来のモデルよりも長い時間スケールを表現できる新しいRNNの構築手法を提案する。
論文 参考訳（メタデータ） (2021-11-05T06:22:58Z) - Clustering in Recurrent Neural Networks for Micro-Segmentation using
Spending Personality [0.0]
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。
論文 参考訳（メタデータ） (2021-09-20T11:06:58Z) - Wide Network Learning with Differential Privacy [7.453881927237143]
現在のニューラルネットの世代は、最も実質的に関連するプライバシトレーニング体制下で大きな損失を被っている。
プライベートな経験最小化(ERM)の勾配を生かしたこれらのモデルを訓練するための一般的なアプローチを開発する。
同じパラメータの数に従って、ニューラルネットワークをプライベートにトレーニングするための新しいアルゴリズムを提案します。
論文 参考訳（メタデータ） (2021-03-01T20:31:50Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳（メタデータ） (2020-07-03T01:37:16Z) - Lipschitz Recurrent Neural Networks [100.72827570987992]
我々のリプシッツ再帰ユニットは、他の連続時間RNNと比較して、入力やパラメータの摂動に対してより堅牢であることを示す。
実験により,Lipschitz RNNは,ベンチマークタスクにおいて,既存のリカレントユニットよりも優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-06-22T08:44:52Z) - 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。