論文の概要: Hamiltonian Neural Networks for Robust Out-of-Time Credit Scoring
- arxiv url: http://arxiv.org/abs/2410.10182v1
- Date: Mon, 14 Oct 2024 06:08:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 02:34:41.214036
- Title: Hamiltonian Neural Networks for Robust Out-of-Time Credit Scoring
- Title（参考訳）: 時間外クレジットスコーリングにおけるハミルトニアンニューラルネットワーク
- Authors: Javier Marín,
- Abstract要約: 我々は、信用リスク進化の複雑なダイナミクスを捉えるためのシンプレクティックと新たな金融損失関数を開発する。
本手法は,AUC(Area Under the Curve)により測定されたOOTシナリオにおいて,優れた識別力を示す。
ハミルトニアンにインスパイアされたアプローチは、インサンプルとOOTテストセット間の一貫した性能を維持する上で、特に強みを示している。
- 参考スコア（独自算出の注目度）: 0.5439020425819
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces a novel Hamiltonian-inspired neural network approach to credit scoring, designed to address the challenges of class imbalance and out-of-time (OOT) prediction in financial risk management. Drawing from concepts in Hamiltonian mechanics, we develop a symplectic optimizer and a new loss function to capture the complex dynamics of credit risk evolution. Using the Freddie Mac Single-Family Loan-Level Dataset, we evaluate our model's performance against other machine learning approaches. Our method shows superior discriminative power in OOT scenarios, as measured by the Area Under the Curve (AUC), indicating better ranking ability and robustness to class imbalance. The Hamiltonian-inspired approach shows particular strength in maintaining consistent performance between in-sample and OOT test sets, suggesting improved generalization to future, unseen data. These findings suggest that physics-inspired techniques offer a promising direction for developing more robust and reliable credit scoring models, particularly in uncertain economic situations.
- Abstract（参考訳）: 本稿では、金融リスク管理におけるクラス不均衡とオフ・オブ・タイム(OOT)予測の課題に対処するために設計された、新しいハミルトン型ニューラルネットワークによるクレジットスコアリング手法を提案する。
ハミルトン力学の概念から、シンプレクティック・オプティマイザと新しい損失関数を開発し、信用リスク進化の複雑なダイナミクスを捉える。
Freddie Mac Single-Family Loan-Level Datasetを用いて、他の機械学習手法と比較してモデルの性能を評価する。
提案手法は,AUC(Area Under the Curve)により測定されたOOTシナリオにおいて優れた識別力を示し,クラス不均衡に対する格付け能力とロバスト性を示す。
ハミルトニアンに触発されたアプローチは、サンプル内テストセットとOOTテストセット間の一貫した性能を維持する上で、特に強みを示し、将来の目に見えないデータへの一般化の改善を示唆している。
これらの結果は、物理学にインスパイアされた技術が、特に不確実な経済状況において、より堅牢で信頼性の高い信用評価モデルを開発するための有望な方向を提供することを示唆している。
関連論文リスト
- Applying Hybrid Graph Neural Networks to Strengthen Credit Risk Analysis [4.457653449326353]
本稿では, グラフ畳み込みニューラルネットワーク(GCNN)を用いた信用リスク予測手法を提案する。
提案手法は、従来の信用リスク評価モデルが直面する課題、特に不均衡なデータセットを扱う際の課題に対処する。
この研究は、信用リスク予測の精度を向上させるためのGCNNの可能性を示し、金融機関にとって堅牢なソリューションを提供する。
論文 参考訳（メタデータ） (2024-10-05T20:49:05Z) - GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。
他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
論文 参考訳（メタデータ） (2024-09-30T23:53:54Z) - Infusing Self-Consistency into Density Functional Theory Hamiltonian Prediction via Deep Equilibrium Models [30.746062388701187]
本稿では,統合ニューラルネットワークアーキテクチャ,Deep Equilibrium Density Functional Theory Hamiltonian (DEQH)モデルを紹介する。
DEQHモデルは本質的にハミルトニアンの自己整合性の性質を捉えている。
本稿では,DECと既製の機械学習モデルを組み合わせた多目的フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-06T07:05:58Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳（メタデータ） (2024-01-25T09:18:51Z) - Robust Graph Neural Networks via Unbiased Aggregation [18.681451049083407]
グラフニューラルネットワーク(GNN)の敵対的堅牢性は、強い適応攻撃によって発見されたセキュリティの誤った感覚のために疑問視されている。
私たちは、その堅牢性と限界を理解するために、統一されたロバストな見積もりポイントを提供する。
論文 参考訳（メタデータ） (2023-11-25T05:34:36Z) - A Bayesian Approach to Robust Inverse Reinforcement Learning [54.24816623644148]
我々は、オフラインモデルに基づく逆強化学習(IRL)に対するベイズ的アプローチを考える。
提案フレームワークは,専門家の報酬関数と環境力学の主観的モデルとを同時推定することにより,既存のオフラインモデルベースIRLアプローチとは異なる。
本分析は, 専門家が環境の高精度なモデルを持つと考えられる場合, 評価政策が堅牢な性能を示すという新たな知見を提示する。
論文 参考訳（メタデータ） (2023-09-15T17:37:09Z) - When Demonstrations Meet Generative World Models: A Maximum Likelihood
Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。
タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
論文 参考訳（メタデータ） (2023-02-15T04:14:20Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳（メタデータ） (2022-03-07T18:59:54Z) - SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred
from Vision [73.26414295633846]
最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。
既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。
我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
論文 参考訳（メタデータ） (2021-11-10T23:26:58Z) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳（メタデータ） (2021-05-10T08:02:27Z)
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。