論文の概要: Applying Machine Learning to Life Insurance: some knowledge sharing to
master it
- arxiv url: http://arxiv.org/abs/2209.02057v1
- Date: Mon, 5 Sep 2022 17:09:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 13:22:32.461761
- Title: Applying Machine Learning to Life Insurance: some knowledge sharing to
master it
- Title(参考訳): 生命保険に機械学習を適用する: itを習得するための知識共有
- Authors: Antoine Chancel, Laura Bradier, Antoine Ly, Razvan Ionescu, Laurene
Martin
- Abstract要約: 本稿では,従来の生存モデリング手法をレビューし,機械学習技術を用いて拡張する。
通常の機械学習モデルとの違いを指摘し、検閲されたデータに直面するための特定の実装の重要性を強調している。
本稿を補完するものとして,生命保険データの特異性,すなわち検閲と取締まりに適応するPythonライブラリが開発されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine Learning permeates many industries, which brings new source of
benefits for companies. However within the life insurance industry, Machine
Learning is not widely used in practice as over the past years statistical
models have shown their efficiency for risk assessment. Thus insurers may face
difficulties to assess the value of the artificial intelligence.
Focusing on the modification of the life insurance industry over time
highlights the stake of using Machine Learning for insurers and benefits that
it can bring by unleashing data value.
This paper reviews traditional actuarial methodologies for survival modeling
and extends them with Machine Learning techniques. It points out differences
with regular machine learning models and emphasizes importance of specific
implementations to face censored data with machine learning models family.In
complement to this article, a Python library has been developed. Different
open-source Machine Learning algorithms have been adjusted to adapt the
specificities of life insurance data, namely censoring and truncation. Such
models can be easily applied from this SCOR library to accurately model life
insurance risks.
- Abstract(参考訳): 機械学習は多くの産業に浸透し、企業に新たな利益をもたらす。
しかし, 生命保険業界では, 過去数年間, 統計モデルによるリスク評価の有効性が示されてきたため, 機械学習は一般的には使われていない。
したがって、保険会社は人工知能の価値を評価するのに困難に直面することがある。
生命保険業界の変化に時間をかけて焦点を合わせることで、保険会社に機械学習を使うことのリスクと、データ価値を解き放つことで得られる利益が浮き彫りになる。
本稿では,従来の生存モデリング手法をレビューし,機械学習技術を用いて拡張する。
これは、通常の機械学習モデルとの違いを指摘し、機械学習モデルファミリで検閲されたデータに直面するための、特定の実装の重要性を強調します。
さまざまなオープンソースの機械学習アルゴリズムが、生命保険データの特異性、すなわち検閲と切り離しに適応するように調整されている。
このようなモデルは、このSCORライブラリから簡単に適用でき、生命保険のリスクを正確にモデル化することができる。
関連論文リスト
- PROSAC: Provably Safe Certification for Machine Learning Models under
Adversarial Attacks [20.73708921078335]
最先端の機械学習モデルは、敵の摂動によって深刻な危険にさらされる可能性がある。
本稿では,敵対的攻撃が存在する場合に,機械学習モデルの性能を証明するための新しい手法を提案する。
論文 参考訳(メタデータ) (2024-02-04T22:45:20Z) - On the Costs and Benefits of Adopting Lifelong Learning for Software
Analytics -- Empirical Study on Brown Build and Risk Prediction [17.502553991799832]
本稿では,ユビソフトにおける産業用ユースケースにおける生涯学習(LL)の利用について検討する。
LLは、新しいデータを使用して古いモデルを段階的に更新するインクリメンタルラーナを使用して、MLベースのソフトウェア分析ツールを継続的に構築し、メンテナンスするために使用される。
論文 参考訳(メタデータ) (2023-05-16T21:57:16Z) - Analyzing Machine Learning Models for Credit Scoring with Explainable AI
and Optimizing Investment Decisions [0.0]
本稿では、説明可能なAI(XAI)の実践に関連する2つの異なる質問について検討する。
この研究では、単一分類器(論理回帰、決定木、LDA、QDA)、異種アンサンブル(AdaBoost、ランダムフォレスト)、シーケンシャルニューラルネットワークなど、さまざまな機械学習モデルを比較した。
LIMEとSHAPの2つの高度なポストホックモデル説明可能性技術を用いて、MLベースのクレジットスコアリングモデルを評価する。
論文 参考訳(メタデータ) (2022-09-19T21:44:42Z) - Evaluating Machine Unlearning via Epistemic Uncertainty [78.27542864367821]
本研究では,不確実性に基づく機械学習アルゴリズムの評価を行う。
これは私たちの最良の知識の一般的な評価の最初の定義です。
論文 参考訳(メタデータ) (2022-08-23T09:37:31Z) - Knowledge Augmented Machine Learning with Applications in Autonomous
Driving: A Survey [37.84106999449108]
この研究は、データ駆動モデルと既存の知識を組み合わせた既存の技術と手法の概要を提供する。
同定されたアプローチは、知識の統合、抽出、整合性に応じて構成される。
特に、自律運転分野における提案手法の適用について述べる。
論文 参考訳(メタデータ) (2022-05-10T07:25:32Z) - Prediction of motor insurance claims occurrence as an imbalanced machine
learning problem [0.0]
巨大なデータセットを持つ保険業界は、ビッグデータソリューションを使用する自然な場所です。
この研究の主な目的は、不均衡なデータセットを扱う様々な方法を提示し、適用することである。
また,自動車保険におけるクレーム発生予測の文脈において,これらの手法を用いて機械学習アルゴリズムの結果を比較した。
論文 参考訳(メタデータ) (2022-04-12T22:41:47Z) - Machine Unlearning of Features and Labels [72.81914952849334]
機械学習モデルにおけるアンラーニングとラベルのファーストシナリオを提案する。
提案手法は,影響関数の概念に基づいて,モデルパラメータのクローズドフォーム更新によるアンラーニングを実現する。
論文 参考訳(メタデータ) (2021-08-26T04:42:24Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳(メタデータ) (2021-04-11T12:14:04Z) - Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。
実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文 参考訳(メタデータ) (2021-01-16T23:45:02Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳(メタデータ) (2020-12-21T15:07:19Z) - Towards CRISP-ML(Q): A Machine Learning Process Model with Quality
Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。
第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。
第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文 参考訳(メタデータ) (2020-03-11T08:25:49Z)
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。