論文の概要: Enhancing Claim Classification with Feature Extraction from Anomaly-Detection-Derived Routine and Peculiarity Profiles

• arxiv url: http://arxiv.org/abs/2209.11763v1
• Date: Mon, 26 Sep 2022 14:55:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 16:40:20.750920
• Title: Enhancing Claim Classification with Feature Extraction from Anomaly-Detection-Derived Routine and Peculiarity Profiles
• Title（参考訳）: Anomaly-Derived Routine と Peculiarity Profile の特徴抽出によるクレーム分類の強化
• Authors: Francis Duval, Jean-Philippe Boucher, Mathieu Pigeon
• Abstract要約: 我々は、異常検出アルゴリズムを用いて、車両の走行毎に、ルーチンと特異点の異常スコアを計算する。 結果の異常スコアは、ルーチンと特異性プロファイルとして使用される。 車両の特異性プロファイルから抽出した特徴は、分類を改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Usage-based insurance is becoming the new standard in vehicle insurance; it is therefore relevant to find efficient ways of using insureds' driving data. Applying anomaly detection to vehicles' trip summaries, we develop a method allowing to derive a "routine" and a "peculiarity" anomaly profile for each vehicle. To this end, anomaly detection algorithms are used to compute a routine and a peculiarity anomaly score for each trip a vehicle makes. The former measures the anomaly degree of the trip compared to the other trips made by the concerned vehicle, while the latter measures its anomaly degree compared to trips made by any vehicle. The resulting anomaly scores vectors are used as routine and peculiarity profiles. Features are then extracted from these profiles, for which we investigate the predictive power in the claim classification framework. Using real data, we find that features extracted from the vehicles' peculiarity profile improve classification.
• Abstract（参考訳）: 利用ベースの保険は自動車保険の新たな標準になりつつあるため、保険の運転データを利用する効率的な方法を見つけることが重要である。 車両の走行サマリーに異常検出を適用し,各車両の「ルーチン」と「並列性」の異常プロファイルを導出する手法を開発した。 この目的のために、異常検出アルゴリズムを使用して、車両の走行毎にルーチンと特異性異常スコアを算出する。 前者は、当該車両が行った他の旅行と比べて、その旅行の異常度を測定し、後者は、どの車両が行った旅行と比べて異常度を測定する。 結果の異常スコアベクトルは、ルーチンおよび特異性プロファイルとして使用される。 次にこれらのプロファイルから特徴を抽出し,クレーム分類フレームワークにおける予測力について検討する。 実データを用いて,車両の特異性プロファイルから抽出した特徴が分類を改善することがわかった。

関連論文リスト

• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• A Bayesian Approach for Prioritising Driving Behaviour Investigations in Telematic Auto Insurance Policies [0.6249768559720121]
  旅行用GPSと加速度計データを地理空間情報で拡張し,配送用不完全な分類器をトリップ単位で訓練する。 後続確率は優先順位スコアに変換され、手動による調査において最も価値のある候補を選択するために使用された。 この手法は、手動検索と比較して人的資源配分の効率を大幅に改善した。
  論文  参考訳（メタデータ） (2024-04-22T15:26:24Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Anomaly Detection in Driving by Cluster Analysis Twice [0.0]
  本研究は, クラスタ分析による運転異常検出法(ADDCAT)を提案する。 イベントは、運転の正常さのパターンと見なされる主要なクラスタに適合しない場合、異常であると言われている。 この方法は、事前のトレーニングプロセスや膨大な計算コストを必要とせず、運転中の異常を検出する手段を提供する。
  論文  参考訳（メタデータ） (2022-12-15T09:53:49Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Nightly Automobile Claims Prediction from Telematics-Derived Features: A Multilevel Approach [1.6799377888527685]
  本研究は,事故発生直前に発生した旅行の分類を成功させて,その運転者の主張に繋がるリスクの増大期間を特定できるかどうかを検討する。 我々は,事前にクレームを予測できることを示し,さらに,運転者がドライクマイルなどの露出機能を用いてクレームを持つかどうか,計算速度スコアなどの行動特性を用いてトレーニングした者について,XGBoost分類器の受信-演算特性に基づく領域で測定された予測パワーを比較した。
  論文  参考訳（メタデータ） (2022-05-10T01:25:10Z)
• Driving Anomaly Detection Using Conditional Generative Adversarial Network [26.45460503638333]
  本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。 この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。 結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
  論文  参考訳（メタデータ） (2022-03-15T22:10:01Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Driver Anomaly Detection: A Dataset and Contrastive Learning Approach [17.020790792750457]
  本稿では,通常の運転と異常運転を区別する指標を学習するための対照的な学習手法を提案する。 本手法はテストセットの0.9673 AUCに到達し,異常検出タスクに対する対照的な学習手法の有効性を実証した。
  論文  参考訳（メタデータ） (2020-09-30T13:23:21Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。