論文の概要: Prediction of Auto Insurance Risk Based on t-SNE Dimensionality Reduction

• arxiv url: http://arxiv.org/abs/2212.09385v1
• Date: Mon, 19 Dec 2022 11:50:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 15:16:47.057084
• Title: Prediction of Auto Insurance Risk Based on t-SNE Dimensionality Reduction
• Title（参考訳）: t-SNE次元削減に基づく自動車保険リスクの予測
• Authors: Joseph Levitas, Konstantin Yavilberg, Oleg Korol, Genadi Man
• Abstract要約: ニューラルネットワークと次元還元技術t-SNEを組み合わせたフレームワークを開発した。 得られた結果は、実際の保険データに基づいて、高リスクと低リスクの政策保持者との明確な対比を明らかにした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Correct scoring of a driver's risk is of great significance to auto insurance companies. While the current tools used in this field have been proven in practice to be quite efficient and beneficial, we argue that there is still a lot of room for development and improvement in the auto insurance risk estimation process. To this end, we develop a framework based on a combination of a neural network together with a dimensionality reduction technique t-SNE (t-distributed stochastic neighbour embedding). This enables us to visually represent the complex structure of the risk as a two-dimensional surface, while still preserving the properties of the local region in the features space. The obtained results, which are based on real insurance data, reveal a clear contrast between the high and low risk policy holders, and indeed improve upon the actual risk estimation performed by the insurer. Due to the visual accessibility of the portfolio in this approach, we argue that this framework could be advantageous to the auto insurer, both as a main risk prediction tool and as an additional validation stage in other approaches.
• Abstract（参考訳）: 自動車保険会社にとって、ドライバーのリスクを正しく評価することは非常に重要である。 この分野で使われているツールは、実際非常に効率的で有益であることが証明されているが、自動車保険リスク推定プロセスの開発と改善の余地は依然としてたくさんあると論じている。 そこで我々は,ニューラルネットワークと次元還元技術t-SNE(t-disdistributed stochastic neighbor embeddeding)を組み合わせたフレームワークを開発した。 これにより、特徴空間内の局所領域の特性を保ちながら、リスクの複雑な構造を二次元表面として視覚的に表現することができる。 得られた結果は、実際の保険データに基づいて、高リスクと低リスクの政策保有者間の明確なコントラストを明らかにし、保険者による実際のリスク推定を実際に改善する。 このアプローチにおけるポートフォリオの視覚的なアクセシビリティのため、私たちは、このフレームワークが主要なリスク予測ツールと他のアプローチにおける追加の検証段階の両方として、auto insurerに有利になる可能性があると論じています。

関連論文リスト

• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• Safety Margins for Reinforcement Learning [53.10194953873209]
  安全マージンを生成するためにプロキシ臨界度メトリクスをどのように活用するかを示す。 Atari 環境での APE-X と A3C からの学習方針に対するアプローチを評価する。
  論文  参考訳（メタデータ） (2023-07-25T16:49:54Z)
• RCP-RF: A Comprehensive Road-car-pedestrian Risk Management Framework based on Driving Risk Potential Field [1.625213292350038]
  本研究では,コネクテッド・アンド・オートマチック・ビークル(CAV)環境下での電位場理論に基づく総合運転リスク管理フレームワークRCP-RFを提案する。 既存のアルゴリズムと異なり,エゴ車と障害物車と歩行者係数の移動傾向は,提案手法において正当に考慮されている。 実世界のデータセットNGSIMおよび実AVプラットフォーム上での最先端手法に対する提案手法の優位性を検証する実証的研究を行った。
  論文  参考訳（メタデータ） (2023-05-04T01:54:37Z)
• Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
  本稿では、国家安全RLの観点から、この領域における先行研究を再考する。 安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。 この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
  論文  参考訳（メタデータ） (2022-12-12T06:30:17Z)
• A Risk-Sensitive Approach to Policy Optimization [21.684251937825234]
  標準深層強化学習(DRL)は、政策の定式化における収集経験を均等に考慮し、期待される報酬を最大化することを目的としている。 そこで本研究では,フルエピソード報酬の分布の累積分布関数 (CDF) で規定されるリスク感性目標を最適化する,より直接的なアプローチを提案する。 エージェントの動作が不十分なシナリオを強調する中程度の「悲観的」リスクプロファイルの使用が,探索の強化と,障害への継続的な対処に繋がることを示す。
  論文  参考訳（メタデータ） (2022-08-19T00:55:05Z)
• A Survey of Risk-Aware Multi-Armed Bandits [84.67376599822569]
  我々は、様々な利害リスク対策をレビューし、その特性についてコメントする。 我々は,探索と探索のトレードオフが現れる,後悔の最小化設定のためのアルゴリズムを検討する。 今後の研究の課題と肥大化についてコメントし、締めくくりに締めくくります。
  論文  参考訳（メタデータ） (2022-05-12T02:20:34Z)
• Efficient Risk-Averse Reinforcement Learning [79.61412643761034]
  リスク逆強化学習(RL)では、リターンのリスク測定を最適化することが目標である。 特定の条件下では、これは必然的に局所最適障壁につながることを証明し、それを回避するためのソフトリスク機構を提案する。 迷路ナビゲーション,自律運転,資源配分ベンチマークにおいて,リスク回避の改善を示す。
  論文  参考訳（メタデータ） (2022-05-10T19:40:52Z)
• Holdouts set for predictive model updating [0.9749560288448114]
  リスクスコアの更新は、バイアスのあるリスク見積につながる可能性がある。 リスクスコアによって導かれる介入を受けない集団のサブセットであるホールドアウトセット(holdout set)の使用を提案する。 このアプローチによって、N$の人口に対して、総コストが$Oleft(N2/3right)$で成長できることが証明され、一般的な状況では競合する代替手段はない、と論じる。
  論文  参考訳（メタデータ） (2022-02-13T18:04:00Z)
• Don't Get Yourself into Trouble! Risk-aware Decision-Making for Autonomous Vehicles [4.94950858749529]
  1)望ましくない結果の確率と、2)望ましくない結果がどの程度望ましくないかを見積もる(損失)。 我々は、高レベルリスクベースの経路計画と強化学習に基づく低レベル制御を統合する、自動運転車のリスクベースの意思決定フレームワークを開発した。 この作業は、自動運転車がいつの日か回避し、危険な状況に対処することによって、安全性を向上させることができる。
  論文  参考訳（メタデータ） (2021-06-08T18:24:02Z)
• Learning Bounds for Risk-sensitive Learning [86.50262971918276]
  リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。 最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
  論文  参考訳（メタデータ） (2020-06-15T05:25:02Z)

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。