Fugu-MT 論文翻訳(概要): Classification problem in liability insurance using machine learning models: a comparative study

論文の概要: Classification problem in liability insurance using machine learning models: a comparative study

arxiv url: http://arxiv.org/abs/2411.00354v1
Date: Fri, 01 Nov 2024 04:35:39 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-05 14:38:21.665265
Title: Classification problem in liability insurance using machine learning models: a comparative study
Title（参考訳）: 機械学習モデルを用いた責任保険の分類問題 : 比較研究
Authors: Marjan Qazvini,
Abstract要約: 我々は、負債保険政策を2つのグループに分類するために、いくつかの機械学習モデルを適用している。本研究では,クアズビニが使用したActuarial Challengeデータセットに対して,近接近傍やロジスティック回帰などの機械学習モデルを適用した。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Underwriting is one of the important stages in an insurance company. The insurance company uses different factors to classify the policyholders. In this study, we apply several machine learning models such as nearest neighbour and logistic regression to the Actuarial Challenge dataset used by Qazvini (2019) to classify liability insurance policies into two groups: 1 - policies with claims and 2 - policies without claims.
Abstract（参考訳）: 保険業において、引受は重要な段階の1つである。保険会社は、異なる要因を使って政策案件を分類する。本研究では,Qazviniが2019年に使用したActuarial Challengeデータセットに近接した近接性やロジスティック回帰などの機械学習モデルを適用し,負債保険政策を2つのグループに分類する。

関連論文リスト

AIR-Bench 2024: A Safety Benchmark Based on Risk Categories from Regulations and Policies [80.90138009539004]
AIR-Bench 2024は、新しい政府の規制や企業のポリシーに適合する最初のAI安全ベンチマークである。 8つの政府規制と16の企業政策を4階層の安全分類に分解し、最も低い階層に粒度の細かいリスクカテゴリを分類する。 AIR-Bench 2024上での言語モデルの評価を行い,その安全性に関する知見を明らかにした。
論文参考訳（メタデータ） (2024-07-11T21:16:48Z)
INS-MMBench: A Comprehensive Benchmark for Evaluating LVLMs' Performance in Insurance [51.36387171207314]
InS-MMBenchは、保険ドメイン用に調整された最初の総合的なLVLMベンチマークである。 INS-MMBenchは12のメタタスクと22の基本的なタスクをカバーし、合計2.2Kの完全設計された複数選択質問を含んでいる。この評価は、保険領域における様々なマルチモーダルタスクにおける、現在のLVLMの詳細なパフォーマンス解析を提供する。
論文参考訳（メタデータ） (2024-06-13T13:31:49Z)
Harnessing GPT-4V(ision) for Insurance: A Preliminary Exploration [51.36387171207314]
保険には、テキスト、画像、ビデオなど、その運用プロセスにおけるさまざまなデータフォームが含まれる。 GPT-4Vは、保険関連のタスクにおいて顕著な能力を示し、マルチモーダルコンテンツの堅牢な理解を示す。しかし、GPT-4Vは、詳細なリスク評価と損失評価に苦慮し、画像理解における幻覚に悩まされ、異なる言語に対する可変サポートを示す。
論文参考訳（メタデータ） (2024-04-15T11:45:30Z)
AI, insurance, discrimination and unfair differentiation. An overview and research agenda [0.6144680854063939]
保険会社は人工知能(AI)によって実現された2つのトレンドに魅了されているようだまず、保険会社はAIを使って、より正確にリスクを評価するために、より新しいタイプのデータを分析することができる。第二に、保険会社はAIを使用して、個々の消費者の行動をリアルタイムで監視することができる。この2つの傾向は多くの利点をもたらすが、社会に差別的影響を及ぼす可能性がある。
論文参考訳（メタデータ） (2024-01-22T12:39:36Z)
Measuring and Mitigating Biases in Motor Insurance Pricing [1.2289361708127877]
非生命保険部門は高度に競争力があり厳格に規制された枠組みで運営されている。年齢ベースのプレミアムフェアネスは、特定の保険ドメインにも義務付けられている。ある保険領域では、重篤な疾患や障害の存在などの変数が、公正性を評価するための新しい次元として現れている。
論文参考訳（メタデータ） (2023-11-20T16:34:48Z)
Conformal Policy Learning for Sensorimotor Control Under Distribution Shifts [61.929388479847525]
本稿では,センサコントローラの観測値の分布変化を検知・応答する問題に焦点をあてる。鍵となる考え方は、整合量子を入力として取ることができるスイッチングポリシーの設計である。本稿では, 基本方針を異なる特性で切り替えるために, 共形量子関数を用いてこのようなポリシーを設計する方法を示す。
論文参考訳（メタデータ） (2023-11-02T17:59:30Z)
Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
論文参考訳（メタデータ） (2023-08-04T09:11:07Z)
A Data Science Approach to Risk Assessment for Automobile Insurance Policies [1.0660480034605242]
データサイエンスアプローチによるリスクアセスメントに重点を置いている。当社は、現在および過去のポリシーの履歴データを用いて、新規顧客によってなされる総請求額を予測する。
論文参考訳（メタデータ） (2022-09-06T18:32:27Z)
Government Intervention in Catastrophe Insurance Markets: A Reinforcement Learning Approach [0.04297070083645048]
本論文は,ケース・バイ・ケース・バイ・ケースで相互に比較することで,提案する介入の望ましさを厳格に論じる。本論文は, 実現可能性研究を支援するキャリブレーション理論モデルを用いて, アルゴリズムによる政策評価を行うための枠組みを提供する。
論文参考訳（メタデータ） (2022-07-03T11:06:44Z)
Prediction of motor insurance claims occurrence as an imbalanced machine learning problem [0.0]
巨大なデータセットを持つ保険業界は、ビッグデータソリューションを使用する自然な場所です。この研究の主な目的は、不均衡なデータセットを扱う様々な方法を提示し、適用することである。また,自動車保険におけるクレーム発生予測の文脈において,これらの手法を用いて機械学習アルゴリズムの結果を比較した。
論文参考訳（メタデータ） (2022-04-12T22:41:47Z)
Logical Team Q-learning: An approach towards factored policies in cooperative MARL [49.08389593076099]
我々は,協調的なMARLシナリオにおける要因付き政策の学習の課題に対処する。目的は、各エージェントの個人行動を決定する因子付きポリシーを取得し、その結果の合同ポリシーが最適になるようにすることである。主な貢献は、Logical Team Q-learning (LTQL)の導入である。
論文参考訳（メタデータ） (2020-06-05T17:02:36Z)

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。