Fugu-MT 論文翻訳(概要): Improving Insurance Catastrophic Data with Resampling and GAN Methods

論文の概要: Improving Insurance Catastrophic Data with Resampling and GAN Methods

arxiv url: http://arxiv.org/abs/2410.17294v1
Date: Tue, 22 Oct 2024 02:47:56 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-24 13:56:44.109718
Title: Improving Insurance Catastrophic Data with Resampling and GAN Methods
Title（参考訳）: 再サンプリングとGAN法による保険破滅データの改善
Authors: Norbert Dzadz, Maciej Romaniuk,
Abstract要約: 破滅的な事象に関するデータの品質を改善するため、ブートストラップ、ブートナイフ、GANアルゴリズムが提案されている。これらの手法のシミュレーション出力は平均二乗(MSE)と平均絶対誤差(MAE)に基づいて比較される。このような出力に関するファジィ専門家の意見を構築するための直接アルゴリズムも検討する。
参考スコア（独自算出の注目度）: 1.2891210250935148
License:
Abstract: The precise and large dataset concerning catastrophic events is very important for insurers. To improve the quality of such data three methods based on the bootstrap, bootknife, and GAN algorithms are proposed. Using numerical experiments and real-life data, simulated outputs for these approaches are compared based on the mean squared (MSE) and mean absolute errors (MAE). Then, a direct algorithm to construct a fuzzy expert's opinion concerning such outputs is also considered.
Abstract（参考訳）: 破滅的な出来事に関する正確かつ大規模なデータセットは、保険会社にとって非常に重要である。このようなデータの品質向上のために,ブートストラップ,ブートナイフ,GANアルゴリズムに基づく3つの手法を提案する。数値実験と実生活データを用いて、平均二乗(MSE)と平均絶対誤差(MAE)に基づいて、これらの手法のシミュレーション出力を比較する。また、このような出力に関するファジィ専門家の意見を構築するための直接アルゴリズムも検討する。

関連論文リスト

Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
論文参考訳（メタデータ） (2024-05-22T22:22:25Z)
DRoP: Distributionally Robust Pruning [11.930434318557156]
我々は、訓練されたモデルの分類バイアスにデータプルーニングが与える影響について、最初の系統的研究を行う。そこで我々はDRoPを提案する。DRoPは,標準的なコンピュータビジョンベンチマークにおいて,その性能を実証的に実証し,分散的に頑健な手法である。
論文参考訳（メタデータ） (2024-04-08T14:55:35Z)
SCOD: From Heuristics to Theory [4.512926716151403]
本稿では,不確かさやアウト・オブ・ディストリビューション・サンプルに直面する場合の予測を無視する信頼性のある予測モデルを設計する上での問題に対処する。 SCOD(Out-of-Distribution Data)の存在下では,選択分類に3つの重要な貢献をしている。
論文参考訳（メタデータ） (2024-03-25T16:36:13Z)
Masked Gamma-SSL: Learning Uncertainty Estimation via Masked Image Modeling [19.000718685399935]
本研究では,単一の前方通過で高品質な不確実性推定を行うセマンティックセグメンテーションネットワークを提案する。我々は、Masked Image Modeling (MIM) アプローチにより、基礎モデルと非ラベルデータセットの一般的な表現を利用する。安全クリティカルなアプリケーションで使用されるニューラルネットワークでは、トレーニングデータのバイアスがエラーにつながる可能性がある。
論文参考訳（メタデータ） (2024-02-27T15:49:54Z)
Mitigating Health Data Poverty: Generative Approaches versus Resampling for Time-series Clinical Data [0.2867517731896504]
再サンプリング(SMOTEなど)を使用したマイノリティクラスの拡張は、アルゴリズムの単純さのために広く使われているアプローチである。提案手法は, マイノリティクラスの真正データの生成と, 実データの元の分布に留まることの両立を図っている。
論文参考訳（メタデータ） (2022-10-25T12:30:48Z)
Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
論文参考訳（メタデータ） (2022-01-26T19:59:14Z)
Noise-Resistant Deep Metric Learning with Probabilistic Instance Filtering [59.286567680389766]
ノイズラベルは現実世界のデータによく見られ、ディープニューラルネットワークの性能劣化を引き起こす。 DMLのための確率的ランク付けに基づくメモリを用いたインスタンス選択(PRISM)手法を提案する。 PRISMはラベルがクリーンである確率を計算し、潜在的にノイズの多いサンプルをフィルタリングする。
論文参考訳（メタデータ） (2021-08-03T12:15:25Z)
Stochastic Hard Thresholding Algorithms for AUC Maximization [49.00683387735522]
分散分類におけるAUCのためのハードしきい値決定アルゴリズムを開発した。提案アルゴリズムの有効性と有効性を示す実験を行った。
論文参考訳（メタデータ） (2020-11-04T16:49:29Z)
A Self-Refinement Strategy for Noise Reduction in Grammatical Error Correction [54.569707226277735]
既存の文法的誤り訂正(GEC)のアプローチは、手動で作成したGECデータセットによる教師あり学習に依存している。誤りが不適切に編集されたり、修正されなかったりする「ノイズ」は無視できないほどある。本稿では,既存のモデルの予測整合性を利用して,これらのデータセットをデノマイズする自己補充手法を提案する。
論文参考訳（メタデータ） (2020-10-07T04:45:09Z)
Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。