論文の概要: RMT-Net: Reject-aware Multi-Task Network for Modeling Missing-not-at-random Data in Financial Credit Scoring

• arxiv url: http://arxiv.org/abs/2206.00568v1
• Date: Wed, 1 Jun 2022 15:29:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-02 14:35:39.925266
• Title: RMT-Net: Reject-aware Multi-Task Network for Modeling Missing-not-at-random Data in Financial Credit Scoring
• Title（参考訳）: RMT-Net:金融クレジットスコーリングにおけるミス・アット・ランダムデータのモデリングのためのリジェクト対応マルチタスクネットワーク
• Authors: Qiang Liu, Yingtao Luo, Shu Wu, Zhen Zhang, Xiangnan Yue, Hong Jin, Liang Wang
• Abstract要約: 金融信用スコアでは、ローンの申請は承認または拒否されることがある。承認されたサンプルについては、デフォルトまたは非デフォルトのラベルのみを観察できるが、拒否されたサンプルについては観察できない。 本稿では,Reject-aware Multi-Task Network (RMT-Net)を提案する。
• 参考スコア（独自算出の注目度）: 20.59209693861362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In financial credit scoring, loan applications may be approved or rejected. We can only observe default/non-default labels for approved samples but have no observations for rejected samples, which leads to missing-not-at-random selection bias. Machine learning models trained on such biased data are inevitably unreliable. In this work, we find that the default/non-default classification task and the rejection/approval classification task are highly correlated, according to both real-world data study and theoretical analysis. Consequently, the learning of default/non-default can benefit from rejection/approval. Accordingly, we for the first time propose to model the biased credit scoring data with Multi-Task Learning (MTL). Specifically, we propose a novel Reject-aware Multi-Task Network (RMT-Net), which learns the task weights that control the information sharing from the rejection/approval task to the default/non-default task by a gating network based on rejection probabilities. RMT-Net leverages the relation between the two tasks that the larger the rejection probability, the more the default/non-default task needs to learn from the rejection/approval task. Furthermore, we extend RMT-Net to RMT-Net++ for modeling scenarios with multiple rejection/approval strategies. Extensive experiments are conducted on several datasets, and strongly verifies the effectiveness of RMT-Net on both approved and rejected samples. In addition, RMT-Net++ further improves RMT-Net's performances.
• Abstract（参考訳）: 金融信用スコアでは、ローン申請を承認または拒絶することができる。 承認されたサンプルのデフォルト/非デフォルトラベルのみを観察できるが、拒否されたサンプルの観察はできない。 このようなバイアスデータに基づいてトレーニングされた機械学習モデルは、必然的に信頼できない。 本研究では,既定/非定分類タスクと拒絶/承認分類タスクが,実世界データ研究と理論的分析の両方により高い相関関係にあることを見出した。 その結果、デフォルト/非デフォルトの学習は拒絶/承認の恩恵を受けることができる。 そこで我々は,マルチタスク学習 (mtl) を用いたバイアス付きクレジットスコアデータのモデル化を初めて提案する。 具体的には,拒絶/承認タスクから既定/非デフォルトタスクへの情報共有を制御するタスク重みを,拒絶確率に基づいてゲーティングネットワークによって学習する,新たな拒絶対応マルチタスクネットワーク(rmt-net)を提案する。 RMT-Netは、拒絶確率が大きいほど、デフォルト/非デフォルトタスクが拒絶/承認タスクから学ぶ必要がある2つのタスクの関係を利用する。 さらに、複数の拒絶/承認戦略を持つシナリオをモデル化するためにRTT-NetをRTT-Net++に拡張する。 いくつかのデータセットで広範な実験が行われ、承認されたサンプルと拒否されたサンプルの両方でrmt-netの有効性を強く検証している。 さらにRTT-Net++はRTT-Netのパフォーマンスをさらに改善した。

関連論文リスト

• SureMap: Simultaneous Mean Estimation for Single-Task and Multi-Task Disaggregated Evaluation [75.56845750400116]
  分散評価(disaggregated evaluation) -- 異なるサブポピュレーション上での機械学習モデルのパフォーマンスの推定 - は、AIシステムのパフォーマンスとグループフェアネスを評価する上で、中核的なタスクである。 ブラックボックスモデルの評価において,マルチタスクとシングルタスクの双方に対して高い推定精度を持つSureMapを開発した。 提案手法は, ウェル・チョーゼンを用いた最大後部推定と, スタインの非バイアスリスク推定(SURE)によるクロスバリデーションフリーチューニングを併用する。
  論文  参考訳（メタデータ） (2024-11-14T17:53:35Z)
• VinePPO: Unlocking RL Potential For LLM Reasoning Through Refined Credit Assignment [66.80143024475635]
  VinePPOは不偏のモンテカルロ推定を計算するための簡単な手法である。 我々は、VinePPOが、MATHおよびGSM8Kデータセット間でPPOや他のRLフリーベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2024-10-02T15:49:30Z)
• Pairwise Ranking Loss for Multi-Task Learning in Recommender Systems [8.824514065551865]
  オンライン広告システムでは、Click-Through Rate (CTR) や Conversion Rate (CVR) といったタスクが同時に MTL 問題として扱われることが多い。 本研究では,変換に対応する露光ラベルを決定指標とみなす。 モデル予測間でのtextbfairtextbfwise textbf ranking(PWiseR)損失を計算し、タスク固有の損失を新たに導入する。
  論文  参考訳（メタデータ） (2024-06-04T09:52:41Z)
• Multitask Learning Can Improve Worst-Group Outcomes [76.92646345152788]
  マルチタスク学習(MTL)は、そのような広く使われている技法の一つである。 我々は,共同マルチタスク表現空間を正規化することにより,標準MTLを変更することを提案する。 正規化MTLアプローチは,平均群と最低群の両方でJTTを上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-12-05T21:38:24Z)
• Task-Distributionally Robust Data-Free Meta-Learning [99.56612787882334]
  Data-Free Meta-Learning (DFML)は、複数の事前学習モデルを活用することで、独自のトレーニングデータを必要とせずに、新しいタスクを効率的に学習することを目的としている。 TDS(Task-Distribution Shift)とTDC(Task-Distribution Corruption)の2つの大きな課題を初めて明らかにした。
  論文  参考訳（メタデータ） (2023-11-23T15:46:54Z)
• Out-of-distribution Few-shot Learning For Edge Devices without Model Fine-tuning [10.422316867474681]
  エッジデバイス上でパーソナライズされたユーザエクスペリエンスを実現するための,有望なテクニックは少ない。 本稿では,バックプロパゲーションを伴わないディープニューラルネットワークの効率的なタスク認識適応を可能にする,タスク認識正規化(TANO)と呼ばれるプラグイン・アンド・プレイモジュールを提案する。 TANOは、正規化統計量の安定だがタスク固有の推定を提供し、分配ギャップを埋め、効率的なモデル適応を実現する。
  論文  参考訳（メタデータ） (2023-04-13T07:33:22Z)
• Uncertainty-Aware Meta-Learning for Multimodal Task Distributions [3.7470451129384825]
  UnLiMiTD(マルチモーダルタスク分散のための不確実性認識メタラーニング)を提案する。 確率論的視点を採り、メタデータセット上のタスクに対してパラメトリックで調整可能な分布をトレーニングする。 我々は、UnLiMiTDの予測が、ほとんどの場合、標準ベースラインと好意的に比較され、性能的に優れていることを示した。
  論文  参考訳（メタデータ） (2022-10-04T20:02:25Z)
• One for More: Selecting Generalizable Samples for Generalizable ReID Model [92.40951770273972]
  本稿では,選択したサンプルを損失関数として一般化する1対3の学習目標を提案する。 提案した1対3のサンプルは,ReIDトレーニングフレームワークにシームレスに統合できる。
  論文  参考訳（メタデータ） (2020-12-10T06:37:09Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。