論文の概要: Application of AI in Credit Risk Scoring for Small Business Loans: A case study on how AI-based random forest model improves a Delphi model outcome in the case of Azerbaijani SMEs

• arxiv url: http://arxiv.org/abs/2410.05330v1
• Date: Sat, 5 Oct 2024 23:07:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 19:27:19.019611
• Title: Application of AI in Credit Risk Scoring for Small Business Loans: A case study on how AI-based random forest model improves a Delphi model outcome in the case of Azerbaijani SMEs
• Title（参考訳）: 小規模事業ローンの信用リスク評価におけるAIの適用:アゼルバイジャン中小企業におけるAIに基づくランダム森林モデルによるデルフィモデルの改善事例
• Authors: Nigar Karimova,
• Abstract要約: 本研究は,機械学習ランダム森林モデルの適用により,デルフィモデルの精度と精度が向上することを示す。 この研究は、両方のモデルの精度、精度、リコール、F-1スコアを使用して、それらを比較し、アルゴリズムをPythonで実行した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The research investigates how the application of a machine-learning random forest model improves the accuracy and precision of a Delphi model. The context of the research is Azerbaijani SMEs and the data for the study has been obtained from a financial institution which had gathered it from the enterprises (as there is no public data on local SMEs, it was not practical to verify the data independently). The research used accuracy, precision, recall and F-1 scores for both models to compare them and run the algorithms in Python. The findings showed that accuracy, precision, recall and F- 1 all improve considerably (from 0.69 to 0.83, from 0.65 to 0.81, from 0.56 to 0.77 and from 0.58 to 0.79, respectively). The implications are that by applying AI models in credit risk modeling, financial institutions can improve the accuracy of identifying potential defaulters which would reduce their credit risk. In addition, an unfair rejection of credit access for SMEs would also go down having a significant contribution to an economic growth in the economy. Finally, such ethical issues as transparency of algorithms and biases in historical data should be taken on board while making decisions based on AI algorithms in order to reduce mechanical dependence on algorithms that cannot be justified in practice.
• Abstract（参考訳）: 本研究は,機械学習ランダム森林モデルの適用により,デルフィモデルの精度と精度が向上することを示す。 調査の背景はアゼルバイジャンの中小企業であり、調査データは企業から収集した金融機関から得られたものである(現地の中小企業に関する公開データがないため、独立してデータを検証することは現実的ではなかった)。 この研究は、両方のモデルの精度、精度、リコール、F-1スコアを使用して、それらを比較し、アルゴリズムをPythonで実行した。 その結果、精度、精度、リコール、F-1は全て大幅に改善した(0.69から0.83、0.65から0.81、0.56から0.77から0.58から0.79まで)。 つまり、信用リスクモデリングにAIモデルを適用することで、金融機関は信用リスクを減らす可能性のあるデフォルトの特定精度を向上させることができる。 さらに、中小企業の信用アクセスの不公平な拒絶は、経済の経済成長に重要な貢献をするであろう。 最後に、アルゴリズムの透明性や履歴データのバイアスといった倫理的な問題は、実際には正当化できないアルゴリズムへの機械的依存を減らすために、AIアルゴリズムに基づいた決定をしながら実施すべきである。

関連論文リスト

• Predicting Business Angel Early-Stage Decision Making Using AI [0.0]
  ビジネスエンジェルは重要な資金源を提供するが、意思決定は主観的でリソース集約的であることが多い。 このようなツールの1つ、CFA(Critical Factor Assessment)は、意思決定後に評価され、投資家自身の決定よりもはるかに正確であることが判明した。 この研究は、トレーニングされたAIモデルを用いて、導入を妨げる制約を克服できるかどうかを、以前の研究に基づいて調査する。
  論文  参考訳（メタデータ） (2025-07-04T17:17:34Z)
• Evaluating the Promise and Pitfalls of LLMs in Hiring Decisions [1.1883838320818292]
  大規模言語モデル(LLM)は、候補スクリーニングの合理化を約束するが、精度とアルゴリズムバイアスに関する深刻な懸念も引き起こす。 いくつかの最先端の基盤的LCMをベンチマークし、ジョブ候補マッチングのためのドメイン固有の採用モデル(Match Score)と比較する。 実験の結果,Match Score は汎用 LLM よりも精度(ROC AUC 0.85 対 0.77 )が優れており,人口集団間でより公平な結果が得られた。
  論文  参考訳（メタデータ） (2025-07-02T19:02:18Z)
• Evaluating Supervised Learning Models for Fraud Detection: A Comparative Study of Classical and Deep Architectures on Imbalanced Transaction Data [2.5670390559986442]
  不正検出は金融や電子商取引といった高額な分野において依然として重要な課題である。 大規模かつ高度に不均衡なオンライントランザクションデータセット上で、4つの教師付き学習モデルの性能を体系的に比較する。
  論文  参考訳（メタデータ） (2025-05-28T16:08:04Z)
• R-PRM: Reasoning-Driven Process Reward Modeling [53.06844294668382]
  プロセス・リワード・モデル(Process Reward Models, PRM)は、各推論ステップを評価することによって、有望なソリューションとして登場した。 既存のPRMは評価スコアを直接出力し、学習効率と評価精度の両方を制限する。 推論駆動プロセスリワードモデリング(R-PRM)を提案する。 R-PRMは限られたアノテーションからシードデータを生成し、効果的にモデルの推論能力をブートストラップします。
  論文  参考訳（メタデータ） (2025-03-27T09:23:08Z)
• S$^2$R: Teaching LLMs to Self-verify and Self-correct via Reinforcement Learning [51.84977135926156]
  S$2$Rはモデルに推論時の自己検証と自己正当性を教えることによってLLM推論を強化する効率的なフレームワークである。 以上の結果から,Qwen2.5-math-7Bの精度は51.0%から81.6%に向上した。
  論文  参考訳（メタデータ） (2025-02-18T13:40:22Z)
• Bank Loan Prediction Using Machine Learning Techniques [0.0]
  我々は機械学習手法を用いて、148,670のインスタンスと37の属性のデータセットに取り組んできた。 最高の性能のアルゴリズムはAdaBoostingであり、99.99%の精度を達成した。
  論文  参考訳（メタデータ） (2024-10-11T15:01:47Z)
• A Probabilistic Perspective on Unlearning and Alignment for Large Language Models [48.96686419141881]
  大規模言語モデル(LLM)における最初の形式的確率的評価フレームワークを紹介する。 モデルの出力分布に関する高い確率保証を持つ新しい指標を導出する。 私たちのメトリクスはアプリケーションに依存しないので、デプロイ前にモデル機能についてより信頼性の高い見積を行うことができます。
  論文  参考訳（メタデータ） (2024-10-04T15:44:23Z)
• Preference Learning Algorithms Do Not Learn Preference Rankings [62.335733662381884]
  選好学習は、好ましくない出力よりも、好ましくない出力により高い確率を割り当てるようにモデルを訓練する、という従来の知恵を考察する。 多くの最先端の選好調整モデルでは、一般的な選好データセットでは60%未満のランキング精度が得られている。
  論文  参考訳（メタデータ） (2024-05-29T21:29:44Z)
• BIRD: A Trustworthy Bayesian Inference Framework for Large Language Models [52.46248487458641]
  予測モデルは、現実世界のタスクで不完全な情報を扱う必要があることが多い。 現在の大規模言語モデル(LLM)は、そのような正確な推定には不十分である。 本稿では,新しい確率的推論フレームワークBIRDを提案する。
  論文  参考訳（メタデータ） (2024-04-18T20:17:23Z)
• Fast Model Debias with Machine Unlearning [54.32026474971696]
  ディープニューラルネットワークは多くの現実世界のシナリオでバイアスのある振る舞いをする。 既存のデバイアス法は、バイアスラベルやモデル再トレーニングのコストが高い。 バイアスを特定し,評価し,除去するための効率的なアプローチを提供する高速モデル脱バイアスフレームワーク(FMD)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T08:10:57Z)
• Democratizing LLMs: An Exploration of Cost-Performance Trade-offs in Self-Refined Open-Source Models [53.859446823312126]
  SoTAは7Bから65Bまでのさまざまなサイズのオープンソースモデルを平均して、ベースラインのパフォーマンスから8.2%改善している。 厳密に言えば、Vicuna-7Bのような非常に小さなメモリフットプリントを持つモデルでさえ、全体的な11.74%の改善と、高い創造性、オープンエンドタスクの25.39%の改善を示している。
  論文  参考訳（メタデータ） (2023-10-11T15:56:00Z)
• Credit card score prediction using machine learning models: A new dataset [2.099922236065961]
  本研究では、クレジットカードのデフォルト予測システムにおける機械学習(ML)モデルの利用について検討する。 ここでの主な目標は、新しく提案されたクレジットカードスコアリングデータセットにおいて、最高のパフォーマンスのMLモデルを調査することである。
  論文  参考訳（メタデータ） (2023-10-04T16:46:26Z)
• Inclusive FinTech Lending via Contrastive Learning and Domain Adaptation [9.75150920742607]
  フィンテックの貸与は、財政的包摂の促進に重要な役割を果たしてきた。 ローン審査中にアルゴリズムによる意思決定にバイアスがかかる可能性があるという懸念がある。 自己教師付きコントラスト学習とドメイン適応を用いたトランスフォーマーに基づくシーケンシャルローンスクリーニングモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-10T01:11:35Z)
• Explanations of Machine Learning predictions: a mandatory step for its application to Operational Processes [61.20223338508952]
  信用リスクモデリングは重要な役割を果たす。 近年,機械学習や深層学習の手法が採用されている。 この分野における説明可能性問題に LIME 手法を適用することを提案する。
  論文  参考訳（メタデータ） (2020-12-30T10:27:59Z)
• Explainable AI for Interpretable Credit Scoring [0.8379286663107844]
  クレジットスコアリングは、金融の専門家がローン申請を受諾するかどうかについてより良い判断を下すのに役立つ。 アルゴリズムによる決定が一貫性のあるものであることを保証するため、規則はモデル解釈可能性の必要性を追加している。 正確かつ解釈可能な信用スコアモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-03T18:44:03Z)
• Large-scale Uncertainty Estimation and Its Application in Revenue Forecast of SMEs [10.367755705236249]
  中小企業の経済と銀行の重要性は、現代社会においてよく認識されている。 信頼できる収益予測モデルを構築することは非常に有益である。 本稿では,実装が容易で,容易に並列化可能で,解釈可能で,高品質な予測不確実性の推定値が得られるスケーラブルな自然グラディエントブースティングマシンを提案する。
  論文  参考訳（メタデータ） (2020-05-02T06:17:44Z)

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。