論文の概要: A Data-driven Case-based Reasoning in Bankruptcy Prediction

• arxiv url: http://arxiv.org/abs/2211.00921v1
• Date: Wed, 2 Nov 2022 07:10:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 14:40:56.008592
• Title: A Data-driven Case-based Reasoning in Bankruptcy Prediction
• Title（参考訳）: データ駆動型ケースベース推論による破産予測
• Authors: Wei Li, Wolfgang Karl H\"ardle, Stefan Lessmann
• Abstract要約: 本研究では,倒産予測のためのデータ駆動型ケースベース推論システムを提案する。 実験の結果,提案手法は既存の代替CBRシステムよりも優れていることがわかった。 多くの研究から、予測精度と説明可能性のトレードオフが示唆されているが、我々の発見は今後の研究の道筋を示している。
• 参考スコア（独自算出の注目度）: 8.134323103135173
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: There has been intensive research regarding machine learning models for predicting bankruptcy in recent years. However, the lack of interpretability limits their growth and practical implementation. This study proposes a data-driven explainable case-based reasoning (CBR) system for bankruptcy prediction. Empirical results from a comparative study show that the proposed approach performs superior to existing, alternative CBR systems and is competitive with state-of-the-art machine learning models. We also demonstrate that the asymmetrical feature similarity comparison mechanism in the proposed CBR system can effectively capture the asymmetrically distributed nature of financial attributes, such as a few companies controlling more cash than the majority, hence improving both the accuracy and explainability of predictions. In addition, we delicately examine the explainability of the CBR system in the decision-making process of bankruptcy prediction. While much research suggests a trade-off between improving prediction accuracy and explainability, our findings show a prospective research avenue in which an explainable model that thoroughly incorporates data attributes by design can reconcile the dilemma.
• Abstract（参考訳）: 近年,倒産予測のための機械学習モデルに関する研究が盛んに行われている。 しかし、解釈可能性の欠如は、その成長と実践的な実装を制限する。 本研究では,倒産予測のためのデータ駆動型ケースベース推論(CBR)システムを提案する。 比較研究の結果、提案手法は既存の代替cbrシステムよりも優れており、最先端の機械学習モデルと競合することが示された。 また,提案するcbrシステムにおける非対称的特徴類似性比較機構は,金融属性の非対称分散特性を効果的に捉えることができることを実証し,予測の正確性と説明可能性の両方を改善した。 さらに,倒産予測の意思決定過程におけるCBRシステムの説明可能性について,微妙に検討した。 予測精度の向上と説明可能性のトレードオフを示唆する研究は多いが,本研究の結果は,データ属性を徹底的に組み込んだ説明可能なモデルがジレンマを再現する可能性を示す。

関連論文リスト

• Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
  脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。 ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。 提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
  論文  参考訳（メタデータ） (2024-07-02T03:31:21Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• Counterfactual Explanations of Black-box Machine Learning Models using Causal Discovery with Applications to Credit Rating [4.200230734911261]
  いくつかのXAIモデルは、予測モデルのインプット・アウトプット関係と特徴間の依存関係を調べることによって、モデルを説明するために因果関係を考慮する。 これらのモデルの大半は、因果グラフが知られていると仮定して、反事実確率に基づく説明に基づいている。 本研究では、因果グラフが知られている制約を緩和する新しいXAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-05T02:26:24Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
  人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。 モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
  論文  参考訳（メタデータ） (2023-07-04T16:45:21Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Clinical outcome prediction under hypothetical interventions -- a representation learning framework for counterfactual reasoning [31.97813934144506]
  本稿では,リスクモデルの組込み特性として,対実的説明の提供を考慮した新しい表現学習フレームワークを提案する。 提案する枠組みは, 研究者や臨床医がパーソナライズされたケアを改善するのに役立つ可能性が示唆された。
  論文  参考訳（メタデータ） (2022-05-15T09:41:16Z)
• Distribution Preserving Multiple Hypotheses Prediction for Uncertainty Modeling [0.0]
  本稿では,複数の仮説予測手法を保存するための代替的損失を提案する。 実験により,本手法は,合成および実世界の動き予測データセット上でより代表的な仮説を導出することを示す。 提案手法の出力は, サンプリングに基づくモンテカルロ法で直接利用することができる。
  論文  参考訳（メタデータ） (2021-10-06T15:36:17Z)
• 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)
• Financial Data Analysis Using Expert Bayesian Framework For Bankruptcy Prediction [0.0]
  本稿では,エキスパートベイズフレームワークを用いた生成モデリングの新たな手法を提案する。 提案フレームワークの最大の利点は、モデリングプロセスに専門家の判断を明示的に取り入れることである。 提案手法は、金融や医療診断など、高度に規制された、あるいは安全性の高い応用に適している。
  論文  参考訳（メタデータ） (2020-10-19T19:09:02Z)
• A comprehensive study on the prediction reliability of graph neural networks for virtual screening [0.0]
  本稿では,モデルアーキテクチャ,正規化手法,損失関数が分類結果の予測性能および信頼性に与える影響について検討する。 その結果,高い成功率を達成するためには,正則化と推論手法の正しい選択が重要であることが明らかとなった。
  論文  参考訳（メタデータ） (2020-03-17T10:13:31Z)

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。