論文の概要: A Fair Pricing Model via Adversarial Learning
- arxiv url: http://arxiv.org/abs/2202.12008v3
- Date: Mon, 26 Dec 2022 15:07:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 15:11:06.271766
- Title: A Fair Pricing Model via Adversarial Learning
- Title（参考訳）: 敵対的学習による公正価格モデル
- Authors: Vincent Grari, Arthur Charpentier, Marcin Detyniecki
- Abstract要約: 保険事業の核心はリスクと非リスクの保険の分類にある。
公平なアクチュアリ分類と「差別」の区別は微妙である。
予測器のみの偏りは、適切な精度を維持するには不十分であることを示す。
- 参考スコア（独自算出の注目度）: 3.983383967538961
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: At the core of insurance business lies classification between risky and
non-risky insureds, actuarial fairness meaning that risky insureds should
contribute more and pay a higher premium than non-risky or less-risky ones.
Actuaries, therefore, use econometric or machine learning techniques to
classify, but the distinction between a fair actuarial classification and
"discrimination" is subtle. For this reason, there is a growing interest about
fairness and discrimination in the actuarial community Lindholm, Richman,
Tsanakas, and Wuthrich (2022). Presumably, non-sensitive characteristics can
serve as substitutes or proxies for protected attributes. For example, the
color and model of a car, combined with the driver's occupation, may lead to an
undesirable gender bias in the prediction of car insurance prices.
Surprisingly, we will show that debiasing the predictor alone may be
insufficient to maintain adequate accuracy (1). Indeed, the traditional pricing
model is currently built in a two-stage structure that considers many
potentially biased components such as car or geographic risks. We will show
that this traditional structure has significant limitations in achieving
fairness. For this reason, we have developed a novel pricing model approach.
Recently some approaches have Blier-Wong, Cossette, Lamontagne, and Marceau
(2021); Wuthrich and Merz (2021) shown the value of autoencoders in pricing. In
this paper, we will show that (2) this can be generalized to multiple pricing
factors (geographic, car type), (3) it perfectly adapted for a fairness context
(since it allows to debias the set of pricing components): We extend this main
idea to a general framework in which a single whole pricing model is trained by
generating the geographic and car pricing components needed to predict the pure
premium while mitigating the unwanted bias according to the desired metric.
- Abstract（参考訳）: 保険事業の核心はリスクのある保険と非リスクのない保険の分類であり、リスクのある保険はリスクのない保険よりも多く貢献し、高いプレミアムを支払うべきである。
したがって、アクチュアリは、econometricまたはmachine learning技術を使用して分類するが、公正なアクチュアリル分類と「差別」の区別は微妙である。
このため、リンドホルム、リッチマン、ツァナカス、ウートリッチ(2022年)といった地域社会では公平さと差別への関心が高まっている。
非感受性の特徴は、保護された属性の代替またはプロキシとして機能すると考えられる。
例えば、自動車の色とモデルと運転者の職業の組み合わせは、自動車保険価格の予測において望ましくないジェンダーバイアスをもたらす可能性がある。
意外なことに,予測器のみの偏りは,正確な精度を維持するには不十分であることを示す(1)。
実際、従来の価格モデルは現在、2段階構造で構築されており、車や地理的リスクといった潜在的なコンポーネントの多くを考慮しています。
この伝統的な構造が公平性を達成する上で大きな限界があることを示します。
そこで我々は,新しい価格モデルアプローチを開発した。
近年、Blier-Wong、Cossette、Lamontagne、Marceau(2021年)、WuthrichとMerz(2021年)が価格におけるオートエンコーダの価値を示している。
本稿では,(2)複数の価格要因(地理的,カータイプ)に一般化できることを示す。(3)公平な文脈に完全に適合する(価格要素のセットを損なうことができるため)。我々は,この主概念を,所望のメートル法に従って不要なバイアスを緩和しつつ,純粋なプレミアムを予測するために必要な地理的およびカー価格要素を生成して,単一の価格モデル全体をトレーニングする一般的なフレームワークに拡張する。
関連論文リスト
- Editable Fairness: Fine-Grained Bias Mitigation in Language Models [52.66450426729818]
個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。
FASTは最先端のベースラインを超え、デバイアス性能が優れている。
これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
論文 参考訳（メタデータ） (2024-08-07T17:14:58Z) - Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。
適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
論文 参考訳（メタデータ） (2024-05-24T11:22:19Z) - Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。
因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。
因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
論文 参考訳（メタデータ） (2024-05-24T11:19:52Z) - Evaluating the Fairness of Discriminative Foundation Models in Computer
Vision [51.176061115977774]
本稿では,CLIP (Contrastive Language-Pretraining) などの差別基盤モデルのバイアス評価のための新しい分類法を提案する。
そして、これらのモデルにおけるバイアスを緩和するための既存の手法を分類学に関して体系的に評価する。
具体的には,ゼロショット分類,画像検索,画像キャプションなど,OpenAIのCLIPとOpenCLIPモデルをキーアプリケーションとして評価する。
論文 参考訳（メタデータ） (2023-10-18T10:32:39Z) - Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。
カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。
本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
論文 参考訳（メタデータ） (2023-07-17T04:08:29Z) - Mitigating Discrimination in Insurance with Wasserstein Barycenters [0.0]
保険業界は、潜在的な顧客の特徴に基づくリスク予測に大きく依存している。
性別や人種などのセンシティブな特徴に基づく差別は、しばしば歴史的データの偏見に起因する。
簡単なスケーリングではなく,Wasserstein Barycentersを用いてバイアスを緩和することを提案する。
論文 参考訳（メタデータ） (2023-06-22T14:27:17Z) - DualFair: Fair Representation Learning at Both Group and Individual
Levels via Contrastive Self-supervision [73.80009454050858]
この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。
我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
論文 参考訳（メタデータ） (2023-03-15T07:13:54Z) - Bayesian CART models for insurance claims frequency [0.0]
分類と回帰木(CART)とそのアンサンブルは、アクチュアリ文学で人気を博している。
本稿では,保険価格に関するベイジアンCARTモデルについて紹介する。
これらのモデルの適用可能性を説明するため、いくつかのシミュレーションと実際の保険データについて論じる。
論文 参考訳（メタデータ） (2023-03-03T13:48:35Z) - A Discussion of Discrimination and Fairness in Insurance Pricing [0.0]
グループフェアネスの概念は、保険価格の計算における保護特性の影響を和らげるために提案されている。
代行差別のない統計モデルを提案するので、保険価格の観点からは非プロブレマティックである。
この統計モデルの標準価格は、最も人気のある3つの群フェアネス公理のいずれかを満たすものではない。
論文 参考訳（メタデータ） (2022-09-02T07:31:37Z) - The Fairness of Credit Scoring Models [0.0]
信用市場において、スクリーニングアルゴリズムは、良いタイプの借主と悪いタイプの借主を区別することを目的としている。
これは意図せず、トレーニングデータセットから、あるいはモデル自体から生まれます。
評価モデルのアルゴリズムフェアネスの形式的検証方法と,フェアネスの欠如の原因となる変数の同定方法を示す。
論文 参考訳（メタデータ） (2022-05-20T14:20:40Z) - Better Together? How Externalities of Size Complicate Notions of
Solidarity and Actuarial Fairness [4.94950858749529]
公平性の2つの概念は、(a)各個人に同じ価格または(b)各個人がプールにもたらすコストに応じて課金する。
個別のリスクプールとは対照的に、コストが均等に分散した保険プールに参加することで、両グループ(高いリスクと低いリスク)が厳格に利益を得ることが可能であることを示す。
我々は、低リスク者が保険プールに滞在するためのインセンティブを維持しつつ、高いリスクグループを最大限に補助する価格体系をつくり上げます。
論文 参考訳（メタデータ） (2021-02-27T22:55:33Z)
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。