Fugu-MT 論文翻訳(概要): Neural calibration of hidden inhomogeneous Markov chains -- Information decompression in life insurance

論文の概要: Neural calibration of hidden inhomogeneous Markov chains -- Information decompression in life insurance

arxiv url: http://arxiv.org/abs/2201.02397v1
Date: Fri, 7 Jan 2022 11:03:46 GMT
ステータス: 処理完了
システム内更新日: 2022-01-10 15:37:31.698195
Title: Neural calibration of hidden inhomogeneous Markov chains -- Information decompression in life insurance
Title（参考訳）: 隠蔽不均一マルコフ鎖のニューラルキャリブレーション --生命保険における情報抑制
Authors: Mark Kiermayer, Christian Wei{\ss}
Abstract要約: 契約ポートフォリオの集合情報を与えられたマルコフ連鎖を再構築する手法を提案する。我々のニューラルアーキテクチャは、一段階の遷移確率を明示的に提供することによって、プロセスの特徴を説明できる。
参考スコア（独自算出の注目度）: 0.15229257192293197
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Markov chains play a key role in a vast number of areas, including life insurance mathematics. Standard actuarial quantities as the premium value can be interpreted as compressed, lossy information about the underlying Markov process. We introduce a method to reconstruct the underlying Markov chain given collective information of a portfolio of contracts. Our neural architecture explainably characterizes the process by explicitly providing one-step transition probabilities. Further, we provide an intrinsic, economic model validation to inspect the quality of the information decompression. Lastly, our methodology is successfully tested for a realistic data set of German term life insurance contracts.
Abstract（参考訳）: マルコフ連鎖は生命保険数学を含む多くの分野において重要な役割を担っている。プレミアム値としての標準アクチュエータ量は、基礎となるマルコフ過程に関する圧縮された損失情報と解釈できる。契約ポートフォリオの集合情報を与えられたマルコフ連鎖を再構築する手法を提案する。我々のニューラルアーキテクチャは、一段階の遷移確率を明示的に提供することによって、プロセスの特徴を説明できる。さらに,情報圧縮の品質を検査するために,本質的,経済モデル検証を行う。最後に,ドイツの生命保険契約の現実的なデータセットの検証に成功している。

関連論文リスト

A Machine Learning-based Anomaly Detection Framework in Life Insurance Contracts [0.0]
生命保険は大量のデータに大きく依存している。データベースに格納されたデータの完全性への信頼が不可欠です。データ信頼性を保証する方法の1つは、異常の自動検出である。
論文参考訳（メタデータ） (2024-11-26T15:06:12Z)
Byzantine-Robust and Communication-Efficient Distributed Learning via Compressed Momentum Filtering [17.446431849022346]
分散学習は、プライベートデータサイロにわたる大規模機械学習モデルをトレーニングするための標準アプローチとなっている。堅牢性とコミュニケーションの保存に関する重要な課題に直面している。本稿では,ビザンチン・ロバスト・コミュニケーション効率の高い分散学習手法を提案する。
論文参考訳（メタデータ） (2024-09-13T08:53:10Z)
Condition Monitoring with Incomplete Data: An Integrated Variational Autoencoder and Distance Metric Framework [2.7898966850590625]
本稿では,未確認データに対する故障検出と条件モニタリングのための新しい手法を提案する。我々は変分オートエンコーダを用いて、以前に見られた新しい未知条件の確率分布をキャプチャする。故障は、健康指標のしきい値を確立することで検出され、そのモデルが重大で見えない断層を高い精度で識別することができる。
論文参考訳（メタデータ） (2024-04-08T22:20:23Z)
The Lipschitz-Variance-Margin Tradeoff for Enhanced Randomized Smoothing [85.85160896547698]
ディープニューラルネットワークの現実的な応用は、ノイズの多い入力や敵攻撃に直面した場合、その不安定な予測によって妨げられる。入力にノイズ注入を頼りに、認証された半径を持つ効率的な分類器を設計する方法を示す。新たな認証手法により、ランダムな平滑化による事前学習モデルの使用が可能となり、ゼロショット方式で現在の認証半径を効果的に改善できる。
論文参考訳（メタデータ） (2023-09-28T22:41:47Z)
Offline Estimation of Controlled Markov Chains: Minimaxity and Sample Complexity [8.732260277121547]
我々は、推定器のサンプル複雑性境界を開発し、最小限の条件を確立する。特定の統計的リスク境界を達成するには、混合特性の強さとサンプル数との微妙で興味深いトレードオフが伴うことを示す。
論文参考訳（メタデータ） (2022-11-14T03:39:59Z)
Byzantine-Robust Online and Offline Distributed Reinforcement Learning [60.970950468309056]
本稿では,複数のエージェントが環境を探索し,その経験を中央サーバを通じて伝達する分散強化学習環境について考察する。エージェントの$alpha$-fractionは敵対的であり、任意の偽情報を報告することができる。我々は、これらの対立エージェントの存在下で、マルコフ決定プロセスの根底にある準最適政策を特定することを模索する。
論文参考訳（メタデータ） (2022-06-01T00:44:53Z)
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)
Learning, compression, and leakage: Minimising classification error via meta-universal compression principles [87.054014983402]
学習シナリオのための圧縮技法の有望なグループは、正規化極大(NML)符号化である。ここでは,教師付き分類問題に対するNMLに基づく意思決定戦略を検討し,多種多様なモデルに適用した場合にPAC学習を実現することを示す。本手法の誤分類率は,プライバシに敏感なシナリオにおいて,データ漏洩の可能性を定量化するための指標である最大リークによって上限づけられていることを示す。
論文参考訳（メタデータ） (2020-10-14T20:03:58Z)
Meta Transition Adaptation for Robust Deep Learning with Noisy Labels [61.8970957519509]
本研究では,新しいメタ遷移学習戦略を提案する。具体的には、クリーンなラベル付きメタデータの小さなセットのサウンドガイダンスにより、ノイズ遷移行列と分類器パラメータを相互に改善することができる。本手法は, 従来技術よりも頑健な性能で, 遷移行列をより正確に抽出することができる。
論文参考訳（メタデータ） (2020-06-10T07:27:25Z)
Robustness Guarantees for Mode Estimation with an Application to Bandits [131.21717367564963]
平均ではなく報酬分布のモードを値とするマルチアームバンディットの理論を導入する。我々は,我々のアルゴリズムが逆雑音列による腕の摂動に頑健であることを示すシミュレーションで示す。
論文参考訳（メタデータ） (2020-03-05T21:29:27Z)

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。