論文の概要: A novel approach to rating transition modelling via Machine Learning and
SDEs on Lie groups
- arxiv url: http://arxiv.org/abs/2205.15699v1
- Date: Tue, 31 May 2022 11:30:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-01 21:11:36.841173
- Title: A novel approach to rating transition modelling via Machine Learning and
SDEs on Lie groups
- Title(参考訳): リー群における機械学習とSDEによる評価遷移モデリングの新しいアプローチ
- Authors: Kevin Kamm and Michelle Muniz
- Abstract要約: キャリブレーションプロセスを用いて評価遷移をモデル化するための新しい手法を提案する。
R における Ito-SDE がどのように評価遷移の望ましいモデルを生成するかを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we introduce a novel methodology to model rating transitions
with a stochastic process. To introduce stochastic processes, whose values are
valid rating matrices, we noticed the geometric properties of stochastic
matrices and its link to matrix Lie groups. We give a gentle introduction to
this topic and demonstrate how It\^o-SDEs in R will generate the desired model
for rating transitions. To calibrate the rating model to historical data, we
use a Deep-Neural-Network (DNN) called TimeGAN to learn the features of a time
series of historical rating matrices. Then, we use this DNN to generate
synthetic rating transition matrices. Afterwards, we fit the moments of the
generated rating matrices and the rating process at specific time points, which
results in a good fit. After calibration, we discuss the quality of the
calibrated rating transition process by examining some properties that a time
series of rating matrices should satisfy, and we will see that this geometric
approach works very well.
- Abstract(参考訳): 本稿では,確率過程を用いて評価遷移をモデル化する新しい手法を提案する。
評価行列が有効である確率過程を導入するために,確率行列の幾何学的性質と行列リー群との関係に気づいた。
本稿では、このトピックについて穏やかな紹介を行い、R における It\^o-SDE がどのように評価遷移の望ましいモデルを生成するかを示す。
評価モデルを履歴データに校正するために,TimeGANと呼ばれるDeep-Neural-Network(DNN)を用いて,時系列の履歴評価行列の特徴を学習する。
そして、このDNNを用いて合成評価遷移行列を生成する。
その後、生成された評価行列のモーメントと、特定の時点における評価プロセスに適合し、その結果、良好な適合性が得られる。
キャリブレーション後,時系列のレイティング行列が満足すべき性質を検証し,キャリブレーション評価遷移過程の質について検討し,この幾何学的手法がうまく機能することを示す。
関連論文リスト
- Dirichlet-based Per-Sample Weighting by Transition Matrix for Noisy
Label Learning [18.688802981093644]
本稿では,再サンプリングに基づく新しい利用法 RENT を提案する。
Rentは、さまざまなベンチマークデータセット上で、再重み付けを含む既存の遷移行列利用法を一貫して上回る。
論文 参考訳(メタデータ) (2024-03-05T06:20:49Z) - Dynamic Collaborative Filtering for Matrix- and Tensor-based Recommender
Systems [5.1148288291550505]
我々は、TIRecAとして知られる逐次問題に対する新しい協調フィルタリングモデルを提案する。
TIRecAは、新しいデータセグメントのみを使用してパラメータを効率的に更新し、リコメンダシステムに新たなユーザとアイテムをインクリメンタルに追加することができる。
一般行列とテンソルベースラインとの比較から,TIRecAはトレーニング時間において10~20倍高速でありながら,ベースライン法に匹敵する品質を達成できることが判明した。
論文 参考訳(メタデータ) (2023-12-04T20:45:51Z) - Consensus-Adaptive RANSAC [104.87576373187426]
本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。
注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
論文 参考訳(メタデータ) (2023-07-26T08:25:46Z) - The Ordered Matrix Dirichlet for Modeling Ordinal Dynamics [54.96229007229786]
観測された動作タイプに潜伏状態のマッピングを行うための順序付き行列ディリクレ(OMD)を提案する。
OMD上に構築されたモデルでは、解釈可能な潜在状態を復元し、数ショット設定で優れた予測性能を示す。
論文 参考訳(メタデータ) (2022-12-08T08:04:26Z) - Exploring validation metrics for offline model-based optimisation with
diffusion models [50.404829846182764]
モデルベース最適化(MBO)では、マシンラーニングを使用して、(基底真理)オラクルと呼ばれるブラックボックス関数に対する報酬の尺度を最大化する候補を設計することに興味があります。
モデル検証中に基底オラクルに対する近似をトレーニングし、その代わりに使用することができるが、その評価は近似的であり、敵の例に対して脆弱である。
本手法は,外挿量を測定するために提案した評価フレームワークにカプセル化されている。
論文 参考訳(メタデータ) (2022-11-19T16:57:37Z) - Rating Triggers for Collateral-Inclusive XVA via Machine Learning and
SDEs on Lie Groups [0.0]
我々は幾何学的アプローチを用いて実体の格付け過程をモデル化する。
古典的ギルサノフの定理がリー群の設定にどのように適用できるかを示す。
論文 参考訳(メタデータ) (2022-11-01T08:26:25Z) - Autoencoder Based Iterative Modeling and Multivariate Time-Series
Subsequence Clustering Algorithm [0.0]
本稿では、過渡時系列データ(MTSD)における変化点の検出と対応する部分列の同定のためのアルゴリズムを提案する。
我々は、リカレントニューラルネットワーク(RNN)ベースのオートエンコーダ(AE)を用いて、入ってくるデータに基づいて反復的に訓練する。
同定されたサブシーケンスのモデルを保存し、繰り返しサブシーケンスの認識と高速オフラインクラスタリングに使用する。
論文 参考訳(メタデータ) (2022-09-09T09:59:56Z) - Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。
グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文 参考訳(メタデータ) (2022-01-05T02:14:57Z) - Multimodal Meta-Learning for Time Series Regression [3.135152720206844]
メタラーニングを用いてモデルパラメータを新しい短史時系列に迅速に適応させるアイデアについて検討する。
提案手法は,12実験中9実験において,少ないデータでTSRを学習し,ベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2021-08-05T20:50:18Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳(メタデータ) (2021-02-15T10:37:52Z) - Matrix Smoothing: A Regularization for DNN with Transition Matrix under
Noisy Labels [54.585681272543056]
ノイズラベルの存在下でのディープニューラルネットワーク(DNN)のトレーニングは重要かつ困難な課題である。
最近の確率論的手法はDNNへの遷移行列を直接適用し、DNNの過剰適合に対する感受性を無視する。
そこで本稿では,DNN更新にスムーズな遷移行列を用いてオーバーフィッティングを制限する手法を提案する。
論文 参考訳(メタデータ) (2020-03-26T13:49:37Z)
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。