論文の概要: Bayesian CART models for aggregate claim modeling

• arxiv url: http://arxiv.org/abs/2409.01908v1
• Date: Tue, 3 Sep 2024 13:58:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 01:23:22.070414
• Title: Bayesian CART models for aggregate claim modeling
• Title（参考訳）: 集合クレームモデリングのためのベイズCARTモデル
• Authors: Yaojun Zhang, Lanpeng Ji, Georgios Aivaliotis, Charles C. Taylor,
• Abstract要約: 本稿では,3種類のベイジアンCARTモデル,すなわち周波数重大度モデル,シーケンシャルモデル,ジョイントモデルを提案する。 各種分布を用いて, 右スクリューおよび重み付きクレーム重みデータに対するBCARTモデルについて検討した。 クレーム数と平均重大度の間の依存性を組み込んだBCARTモデルと共同BCARTモデルが有用であることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes three types of Bayesian CART (or BCART) models for aggregate claim amount, namely, frequency-severity models, sequential models and joint models. We propose a general framework for the BCART models applicable to data with multivariate responses, which is particularly useful for the joint BCART models with a bivariate response: the number of claims and aggregate claim amount. To facilitate frequency-severity modeling, we investigate BCART models for the right-skewed and heavy-tailed claim severity data by using various distributions. We discover that the Weibull distribution is superior to gamma and lognormal distributions, due to its ability to capture different tail characteristics in tree models. Additionally, we find that sequential BCART models and joint BCART models, which incorporate dependence between the number of claims and average severity, are beneficial and thus preferable to the frequency-severity BCART models in which independence is assumed. The effectiveness of these models' performance is illustrated by carefully designed simulations and real insurance data.
• Abstract（参考訳）: 本稿では,3種類のベイジアンCART(BCART)モデルを用いて,周波数重大度モデル,シーケンシャルモデル,ジョイントモデルを提案する。 本稿では,多変量対応データに適用可能なBCARTモデルの汎用フレームワークを提案する。 周波数重大性モデリングを容易にするために,種々の分布を用いて,右スクリューおよび重み付きクレーム重大性データに対するBCARTモデルについて検討する。 ワイブル分布がガンマ分布や対数正規分布よりも優れていることを発見した。 さらに, クレーム数と平均重大度間の依存性を組み込んだBCARTモデルと共同BCARTモデルは有用であり, 独立性を仮定したBCARTモデルに好適であることがわかった。 これらのモデルの性能は、慎重に設計されたシミュレーションと実際の保険データによって説明される。

関連論文リスト

• Consistency Regularization for Complementary Clothing Recommendations [4.698072627654264]
  本稿では,ベイジアンパーソナライズランキング(CR-BPR)の一貫性正規化モデルの開発について報告する。 これは、既存の補完的な衣服推薦手法の欠点、すなわち、多モードデータの多様な特徴尺度によって引き起こされる限定された一貫性と偏りのある学習に対処する。 CR-BPRモデルの有効性は、2つのベンチマークデータセットを含む詳細な分析によって検証された。
  論文  参考訳（メタデータ） (2024-11-19T07:30:07Z)
• EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
  Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。 EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
  論文  参考訳（メタデータ） (2024-05-23T05:25:45Z)
• Do the Frankenstein, or how to achieve better out-of-distribution performance with manifold mixing model soup [1.0878040851637998]
  画像分類のためのCLIPモデルを微調整すると, 融合モデルにより分配性能が大幅に向上することを示す。 また、ファインタニングが行われた元のデータセットに対して、より正確な精度を提供する。
  論文  参考訳（メタデータ） (2023-08-28T06:13:32Z)
• Universal Semi-supervised Model Adaptation via Collaborative Consistency Training [92.52892510093037]
  我々は、Universal Semi-supervised Model Adaptation (USMA)と呼ばれる現実的で挑戦的なドメイン適応問題を導入する。 本稿では,2つのモデル間の予測整合性を規則化する協調的整合性トレーニングフレームワークを提案する。 実験により,いくつかのベンチマークデータセットにおける本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-07-07T08:19:40Z)
• Why the Rich Get Richer? On the Balancedness of Random Partition Models [1.776746672434207]
  交換可能なランダム分割モデルのバランス性について検討する。 既存の多くのランダム分割モデルの「リッチ・ゲット・リッチ」特性は、2つの一般的な仮定の必然的な結果であることを示す。 また、「リッチ・ゲット・ポーラ」ランダムパーティションモデルを導入し、エンティティ・リゾリューション・タスクへの応用を解説する。
  論文  参考訳（メタデータ） (2022-01-30T01:19:41Z)
• Improving Label Quality by Jointly Modeling Items and Annotators [68.8204255655161]
  雑音アノテータから基底真理ラベルを学習するための完全ベイズ的枠組みを提案する。 我々のフレームワークは、ラベル分布上の生成的ベイズソフトクラスタリングモデルを古典的なDavidとSkeneのジョイントアノテータデータモデルに分解することでスケーラビリティを保証する。
  論文  参考訳（メタデータ） (2021-06-20T02:15:20Z)
• Equivalence of Segmental and Neural Transducer Modeling: A Proof of Concept [56.46135010588918]
  RNN-Transducerモデルとセグメントモデル(直接HMM)の広く使われているクラスが等価であることを証明する。 空白確率はセグメント長確率に変換され,その逆も示された。
  論文  参考訳（メタデータ） (2021-04-13T11:20:48Z)
• Claim Verification using a Multi-GAN based Model [8.884192397936138]
  本稿では,複数のGANモデルを用いたクレーム検証について述べる。 提案モデルは3組のジェネレータと判別器から構成される。 生成器と識別器のペアは、支持および反論されたクレームおよびクレームラベルの合成データを生成する責任があります。
  論文  参考訳（メタデータ） (2021-03-14T19:15:53Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)

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。