論文の概要: TransCORALNet: A Two-Stream Transformer CORAL Networks for Supply Chain
Credit Assessment Cold Start
- arxiv url: http://arxiv.org/abs/2311.18749v1
- Date: Thu, 30 Nov 2023 17:47:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 15:35:44.471423
- Title: TransCORALNet: A Two-Stream Transformer CORAL Networks for Supply Chain
Credit Assessment Cold Start
- Title（参考訳）: transcoralnet:サプライチェーン信用評価コールドスタートのための2ストリームトランスフォーマーコーラルネットワーク
- Authors: Jie Shi, Arno P. J. M. Siebes, Siamak Mehrkanoon
- Abstract要約: このモデルは、履歴データに制限のある新規サプライチェーン借入者に対して、正確な信用評価予測を提供することを目的としている。
提案モデルは、ドメインシフト、コールドスタート、不均衡クラス、解釈可能性の4つの重要なサプライチェーンクレジットアセスメント課題に対処する。
- 参考スコア（独自算出の注目度）: 5.0299791897740675
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes an interpretable two-stream transformer CORAL networks
(TransCORALNet) for supply chain credit assessment under the segment industry
and cold start problem. The model aims to provide accurate credit assessment
prediction for new supply chain borrowers with limited historical data. Here,
the two-stream domain adaptation architecture with correlation alignment
(CORAL) loss is used as a core model and is equipped with transformer, which
provides insights about the learned features and allow efficient
parallelization during training. Thanks to the domain adaptation capability of
the proposed model, the domain shift between the source and target domain is
minimized. Therefore, the model exhibits good generalization where the source
and target do not follow the same distribution, and a limited amount of target
labeled instances exist. Furthermore, we employ Local Interpretable
Model-agnostic Explanations (LIME) to provide more insight into the model
prediction and identify the key features contributing to supply chain credit
assessment decisions. The proposed model addresses four significant supply
chain credit assessment challenges: domain shift, cold start, imbalanced-class
and interpretability. Experimental results on a real-world data set demonstrate
the superiority of TransCORALNet over a number of state-of-the-art baselines in
terms of accuracy. The code is available on GitHub
https://github.com/JieJieNiu/TransCORALN .
- Abstract（参考訳）: 本稿では,セグメンテーション業界におけるサプライチェーンクレジット評価とコールドスタート問題に対する解釈可能な2ストリームトランスフォーマーCORALネットワークを提案する。
このモデルは、履歴データに制限のある新規サプライチェーン借入者に対して、正確な信用評価予測を提供することを目的としている。
ここでは、相関アライメント(CORAL)損失を伴う2ストリームドメイン適応アーキテクチャをコアモデルとして使用し、学習した特徴についての洞察を提供し、トレーニング中の効率的な並列化を可能にするトランスフォーマーを備える。
提案するモデルのドメイン適応能力により、ソースとターゲットドメイン間のドメインシフトを最小限に抑えることができる。
したがって、このモデルは、ソースとターゲットが同じ分布に従わないような良い一般化を示し、限られた量のターゲットラベル付きインスタンスが存在する。
さらに,LIME(Local Interpretable Model-Agnostic Explanations)を用いて,モデル予測のさらなる洞察を提供し,サプライチェーンの信用評価決定に寄与する重要な特徴を特定する。
提案モデルは,ドメインシフト,コールドスタート,不均衡クラス,解釈可能性の4つの重要なサプライチェーン評価課題に対処する。
実世界のデータセットの実験結果は、精度の観点から、最先端のベースラインよりもTransCORALNetの方が優れていることを示す。
コードはgithub https://github.com/jiejieniu/transcoralnで入手できる。
関連論文リスト
- Gradually Vanishing Gap in Prototypical Network for Unsupervised Domain Adaptation [32.58201185195226]
プロトタイプネットワーク(GVG-PN)におけるGradually Vanishing Gapという効率的なUDAフレームワークを提案する。
我々のモデルは,グローバルとローカルの両方の観点からの伝達学習を実現する。
いくつかのUDAベンチマークの実験では、提案されたGVG-PNがSOTAモデルより明らかに優れていることが検証された。
論文 参考訳（メタデータ） (2024-05-28T03:03:32Z) - Cal-SFDA: Source-Free Domain-adaptive Semantic Segmentation with
Differentiable Expected Calibration Error [50.86671887712424]
ドメイン適応型セマンティックセグメンテーションの流行は、ソースドメインデータの漏洩に関する懸念を引き起こしている。
ソースデータの要求を回避するため、ソースフリーなドメイン適応が実現可能なソリューションとして登場した。
校正誘導型ソースフリーなドメイン適応型セマンティックセマンティックセマンティクスフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-06T03:28:34Z) - Cross-Inferential Networks for Source-free Unsupervised Domain
Adaptation [17.718392065388503]
クロス推論ネットワーク (CIN) と呼ばれる新しい手法を提案する。
主な考え方は、符号化された特徴からサンプルラベルを予測するためにネットワークモデルを適用する際に、これらの予測結果を用いて、派生したラベルを用いた新しいトレーニングサンプルを構築することである。
ベンチマークデータを用いた実験の結果,提案手法により,ソースフリーなUDAの性能が大幅に向上することが示された。
論文 参考訳（メタデータ） (2023-06-29T14:04:24Z) - Confidence Attention and Generalization Enhanced Distillation for
Continuous Video Domain Adaptation [62.458968086881555]
連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。
CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
論文 参考訳（メタデータ） (2023-03-18T16:40:10Z) - Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。
我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
論文 参考訳（メタデータ） (2022-11-15T15:58:56Z) - ACDC: Online Unsupervised Cross-Domain Adaptation [15.72925931271688]
本稿では,非教師付きドメイン適応フレームワークであるACDCを提案する。
ACDCは3つのモジュールを単一のモデルにカプセル化している。特徴を抽出する自動エンコーダ、ドメイン変換を実行する対向モジュール、ソースストリームを学習してターゲットストリームを予測する推定器である。
実験の結果, 基準法よりも目標精度が向上し, 場合によっては10%以上の増加が見られた。
論文 参考訳（メタデータ） (2021-10-04T11:08:32Z) - Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring
Network [58.05473757538834]
本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。
3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
論文 参考訳（メタデータ） (2021-07-27T14:47:24Z) - Accuracy on the Line: On the Strong Correlation Between
Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。
具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。
また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
論文 参考訳（メタデータ） (2021-07-09T19:48:23Z) - Explaining a Series of Models by Propagating Local Feature Attributions [9.66840768820136]
複数の機械学習モデルを含むパイプラインは、多くの領域でパフォーマンスが向上するが、理解が難しい。
Shapley値への接続に基づいて、モデルの複雑なパイプラインを通じてローカル機能属性を伝播させるフレームワークを紹介します。
本フレームワークにより,アルツハイマー病および乳癌の組織学的診断における遺伝子発現特徴群に基づく高次結論の導出が可能となった。
論文 参考訳（メタデータ） (2021-04-30T22:20:58Z) - Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。
具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。
本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
論文 参考訳（メタデータ） (2020-10-23T06:29:09Z)
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。