論文の概要: Application of Causal Inference to Analytical Customer Relationship
Management in Banking and Insurance
- arxiv url: http://arxiv.org/abs/2208.10916v1
- Date: Fri, 19 Aug 2022 05:57:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 12:47:41.980618
- Title: Application of Causal Inference to Analytical Customer Relationship
Management in Banking and Insurance
- Title（参考訳）: 因果推論の銀行・保険における分析顧客関係管理への応用
- Authors: Satyam Kumar and Vadlamani Ravi
- Abstract要約: 統計学において、因果関係は長年研究され、応用されてきたが、人工知能(AI)についてはあまり詳細には研究されていない。
本研究では、分析的顧客関係管理問題を解決するための説明可能性を提供するために、因果推論の原則を適用した。
ローンのデフォルト、保険詐欺検出、クレジットカード詐欺検出データセットの良質な対策が作成された。
- 参考スコア（独自算出の注目度）: 6.228766191647919
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Of late, in order to have better acceptability among various domain,
researchers have argued that machine intelligence algorithms must be able to
provide explanations that humans can understand causally. This aspect, also
known as causability, achieves a specific level of human-level explainability.
A specific class of algorithms known as counterfactuals may be able to provide
causability. In statistics, causality has been studied and applied for many
years, but not in great detail in artificial intelligence (AI). In a
first-of-its-kind study, we employed the principles of causal inference to
provide explainability for solving the analytical customer relationship
management (ACRM) problems. In the context of banking and insurance, current
research on interpretability tries to address causality-related questions like
why did this model make such decisions, and was the model's choice influenced
by a particular factor? We propose a solution in the form of an intervention,
wherein the effect of changing the distribution of features of ACRM datasets is
studied on the target feature. Subsequently, a set of counterfactuals is also
obtained that may be furnished to any customer who demands an explanation of
the decision taken by the bank/insurance company. Except for the credit card
churn prediction dataset, good quality counterfactuals were generated for the
loan default, insurance fraud detection, and credit card fraud detection
datasets, where changes in no more than three features are observed.
- Abstract（参考訳）: 最近では、様々な領域でより良い受容性を持つために、機械学習アルゴリズムは人間が因果的に理解できる説明を提供する必要があると主張している。
この側面は因果性としても知られ、人間レベルの説明可能性の特定のレベルを達成する。
counterfactualsとして知られる特定のアルゴリズムのクラスは、可利用性を提供することができるかもしれない。
統計学では、因果関係は長年研究され、応用されてきたが、人工知能(ai)にはあまり詳しくない。
まず,分析的顧客関係管理(ACRM)問題を解決するための説明可能性を提供するために,因果推論の原則を適用した。
銀行と保険の文脈では、現在の解釈可能性に関する研究は、なぜこのモデルがそのような決定をしたのか、そしてモデルの選択は特定の要因に影響されたのか?
本稿では,ACRMデータセットの特徴の分布を変化させる効果を対象特徴として検討した介入形態のソリューションを提案する。
その後、銀行・保険会社が行った決定について説明を求める顧客に対して提供することができる一連の偽物も取得される。
クレジットカードチャーン予測データセットを除くと、ローンデフォルト、保険不正検出、クレジットカード不正検出データセットの良質な偽物が生成され、3つ以上の機能の変更が観察される。
関連論文リスト
- Disentangled Representations for Causal Cognition [0.0]
因果認知研究は、ヒトおよび非ヒト動物における因果学習と推論の主な特徴を記述している。
因果性に関する機械および強化学習研究は、因果的人工エージェントを設計するための具体的な試みである。
本研究では,これら2つの研究領域を結合し,因果認知のための統一的な枠組みを構築する。
論文 参考訳（メタデータ） (2024-06-30T16:10:17Z) - Improved Churn Causal Analysis Through Restrained High-Dimensional
Feature Space Effects in Financial Institutions [9.84528076130809]
顧客チャーン(Customer Churn)は、ビジネスとの関係を終了するか、特定の期間における顧客エンゲージメントを減少させる。
顧客の獲得コストは、顧客の保持の5倍から6倍になり得るので、リスクの厳しい顧客への投資は賢明です。
本研究では、独立変数と相関し、チャーンに影響を及ぼす従属変数と因果関係にある相反する特徴を発見するための概念的枠組みを提案する。
論文 参考訳（メタデータ） (2023-04-23T00:45:35Z) - Grasping Causality for the Explanation of Criticality for Automated
Driving [0.0]
本研究では,自動走行における安全関連要因の因果的理解を促進する因果的クエリの形式化を提案する。
ジュデア・パールの因果論に基づいて、因果関係を文脈とともに因果構造として定義する。
因果クエリに対する応答を正当に推定するには,データの可用性と品質が不可欠であるため,実世界および合成データ取得の要件についても論じる。
論文 参考訳（メタデータ） (2022-10-27T12:37:00Z) - Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
本稿では,ニューラルモデルによる反事実文の評価について検討する。
まず、神経因果モデル(NCM)が十分に表現可能であることを示す。
第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-09-30T18:29:09Z) - Causal Fairness Analysis [68.12191782657437]
意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。
我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。
本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
論文 参考訳（メタデータ） (2022-07-23T01:06:34Z) - Causal Discovery for Fairness [3.3861246056563616]
因果的発見アプローチの違いが因果的モデルにどのように影響するか,因果的モデル間の微妙な差異が公平さ/差別的結論にどのように影響するかを示す。
本研究の主な目的は,因果関係を用いて公平に対処する因果発見ステップの重要性を明らかにすることである。
論文 参考訳（メタデータ） (2022-06-14T08:40:40Z) - Trying to Outrun Causality with Machine Learning: Limitations of Model
Explainability Techniques for Identifying Predictive Variables [7.106986689736828]
機械学習のアルゴリズムは、見た目ほど柔軟性がなく、データの根底にある因果構造に驚くほど敏感であることを示す。
我々は、重要な変数のデータを探索したい研究者のために、いくつかの代替のレコメンデーションを提供する。
論文 参考訳（メタデータ） (2022-02-20T17:48:54Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。
現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。
本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
論文 参考訳（メタデータ） (2021-06-14T20:48:48Z) - Variational Causal Networks: Approximate Bayesian Inference over Causal
Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。
実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文 参考訳（メタデータ） (2021-06-14T17:52:49Z) - Everything Has a Cause: Leveraging Causal Inference in Legal Text
Analysis [62.44432226563088]
因果推論は変数間の因果関係を捉えるプロセスである。
本論文では,事実記述から因果グラフを構築するための新たなグラフベース因果推論フレームワークを提案する。
GCIに含まれる因果知識を強力なニューラルネットワークに効果的に注入することで、パフォーマンスと解釈性が向上します。
論文 参考訳（メタデータ） (2021-04-19T16:13:10Z)
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。