論文の概要: Risk Automatic Prediction for Social Economy Companies using Camels

• arxiv url: http://arxiv.org/abs/2210.05052v1
• Date: Mon, 10 Oct 2022 23:50:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 17:31:54.867746
• Title: Risk Automatic Prediction for Social Economy Companies using Camels
• Title（参考訳）: ラクダを用いた社会経済企業のリスク自動予測
• Authors: Joseph Gallego-Mejia and Daniela Martin-Vega and Fabio Gonzalez
• Abstract要約: 政府は社会経済企業(SEE)を監督し、検査しなければならない 我々は機械学習アプローチに基づく予測モデルを提案した。 我々は、過去のポートフォリオの法的性質と変動が、将来のSEEのリスクを予測する良い指標であることを発見した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Governments have to supervise and inspect social economy enterprises (SEEs). However, inspecting all SEEs is not possible due to the large number of SEEs and the low number of inspectors in general. We proposed a prediction model based on a machine learning approach. The method was trained with the random forest algorithm with historical data provided by each SEE. Three consecutive periods of data were concatenated. The proposed method uses these periods as input data and predicts the risk of each SEE in the fourth period. The model achieved 76\% overall accuracy. In addition, it obtained good accuracy in predicting the high risk of a SEE. We found that the legal nature and the variation of the past-due portfolio are good predictors of the future risk of a SEE. Thus, the risk of a SEE in a future period can be predicted by a supervised machine learning method. Predicting the high risk of a SEE improves the daily work of each inspector by focusing only on high-risk SEEs.
• Abstract（参考訳）: 政府は社会経済企業を監督・検査しなければならない(参照)。 しかし,SEEの多さや検査員の多さから,すべてのSEEを検査することは不可能である。 我々は機械学習アプローチに基づく予測モデルを提案した。 本手法は,各SEEの履歴データを用いてランダム森林アルゴリズムを用いて学習した。 3つの連続したデータが連結された。 提案手法は,これらの周期を入力データとして使用し,第4周期における各SEEのリスクを予測する。 全体の精度は76\%であった。 さらに,SEEのリスクを予測する精度も良好であった。 我々は,過去のポートフォリオの法的性質と変動が,将来の展望のリスクを予測する良い要因であることを見出した。 これにより、教師付き機械学習手法により、将来的なSEEのリスクを予測することができる。 SEEのリスクの高い予測は、リスクの高いSEEのみに着目して、各インスペクタの日々の作業を改善する。

関連論文リスト

• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• Earnings Prediction Using Recurrent Neural Networks [0.0]
  この研究は、40年間の財務データを用いて、将来の企業利益を予測するニューラルネットワークを開発する。 アナリストのカバレッジギャップに対処し、潜在的に隠れた洞察を明らかにする。 会計年度末と四半期決算予測の両方を作成できる。
  論文  参考訳（メタデータ） (2023-11-10T13:04:34Z)
• Conservative Predictions on Noisy Financial Data [6.300716661852326]
  金融市場の価格変動は、非常に騒々しいことがよく知られている。 従来のルール学習技術は、高精度なルールのみを求め、先行者が適用されない予測を控えるものだった。 我々は、モデルが不確実であるデータポイントの予測を控える、同様のアプローチを適用する。
  論文  参考訳（メタデータ） (2023-10-18T09:14:19Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
  非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。 我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。 これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-21T13:18:11Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Machine Learning Classification Methods and Portfolio Allocation: An Examination of Market Efficiency [3.3343612552681945]
  我々は,OOS(Out-of-sample)予測可能性を通じて市場効率を評価する新しい枠組みを設計する。 我々は、資産価格問題を機械学習の分類問題とみなし、返却状態を予測するための分類モデルを構築した。 予測に基づくポートフォリオは、OOS経済の大幅な伸びで市場を圧倒した。
  論文  参考訳（メタデータ） (2021-08-04T20:48:27Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Predicting Early Dropout: Calibration and Algorithmic Fairness Considerations [2.7048165023994057]
  本研究では,大学中退のリスクを予測できる機械学習手法を開発した。 予測精度(AUC)および誤差率(一般化偽陽性率、GFPR、一般化偽陰性率、GFNR)の観点から、この方法が一部の敏感群の識別結果につながるかどうかを分析します。
  論文  参考訳（メタデータ） (2021-03-16T13:42:16Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• Fast Risk Assessment for Autonomous Vehicles Using Learned Models of Agent Futures [10.358493658420173]
  本稿では,自動走行車における軌道のリスクを評価するために,高速な非サンプリング方式を提案する。 提案手法はガウス混合モデルと非ガウス混合モデルの両方を含む不確実な予測に対する幅広い表現に対処する。 提案手法は、ArgoverseデータセットとCARLAデータセットでトレーニングされたプロパゲートからの現実的な予測に基づいて実証される。
  論文  参考訳（メタデータ） (2020-05-27T16:16:36Z)

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。