論文の概要: Distribution-free inference for LightGBM and GLM with Tweedie loss

• arxiv url: http://arxiv.org/abs/2507.06921v1
• Date: Wed, 09 Jul 2025 14:58:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.63514
• Title: Distribution-free inference for LightGBM and GLM with Tweedie loss
• Title（参考訳）: ツイーディ損失を伴うLightGBMおよびGLMの分布自由推論
• Authors: Alokesh Manna, Aditya Vikram Sett, Dipak K. Dey, Yuwen Gu, Elizabeth D. Schifano, Jichao He,
• Abstract要約: コンフォーマル予測推論は、予測の不確実性を定量化するための一般的な分布のないアプローチとして生まれてきた。 本研究では,GLM型損失を考慮したGLMとGBMの非整合性対策を提案する。
• 参考スコア（独自算出の注目度）: 2.638878351659023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prediction uncertainty quantification is a key research topic in recent years scientific and business problems. In insurance industries (\cite{parodi2023pricing}), assessing the range of possible claim costs for individual drivers improves premium pricing accuracy. It also enables insurers to manage risk more effectively by accounting for uncertainty in accident likelihood and severity. In the presence of covariates, a variety of regression-type models are often used for modeling insurance claims, ranging from relatively simple generalized linear models (GLMs) to regularized GLMs to gradient boosting models (GBMs). Conformal predictive inference has arisen as a popular distribution-free approach for quantifying predictive uncertainty under relatively weak assumptions of exchangeability, and has been well studied under the classic linear regression setting. In this work, we propose new non-conformity measures for GLMs and GBMs with GLM-type loss. Using regularized Tweedie GLM regression and LightGBM with Tweedie loss, we demonstrate conformal prediction performance with these non-conformity measures in insurance claims data. Our simulation results favor the use of locally weighted Pearson residuals for LightGBM over other methods considered, as the resulting intervals maintained the nominal coverage with the smallest average width.
• Abstract（参考訳）: 予測の不確実性定量化は、近年の科学的・ビジネス的な問題において重要な研究課題である。 保険業界(\cite{parodi2023pricing})では、個々のドライバーの請求コストの範囲を評価することで、プレミアム価格の精度が向上する。 また、事故確率と重大度の不確実性を考慮して、保険会社がリスクをより効果的に管理することを可能にする。 共変量の存在下では、比較的単純な一般化線形モデル(GLM)から正規化されたGLM(英語版)、グラデーションブースティングモデル(GBM)まで、様々な回帰型モデルが保険請求のモデリングにしばしば使用される。 コンフォーマル予測推論は、交換可能性の比較的弱い仮定の下で予測の不確かさを定量化するための一般的な分布自由なアプローチとして生まれ、古典的な線形回帰条件の下でよく研究されている。 本研究では,GLM型損失を考慮したGLMとGBMの非整合性対策を提案する。 正規化Tweedie GLMレグレッションとLightGBMのTweedie損失を用いて,これらの非整合性指標と整合性予測性能を保険請求データに示す。 シミュレーションの結果,光GBMの局所重み付けされたピアソン残基は,平均幅が最小である場合,他の方法よりも有効であることがわかった。

関連論文リスト

• Data-Driven Calibration of Prediction Sets in Large Vision-Language Models Based on Inductive Conformal Prediction [0.0]
  動的しきい値キャリブレーションとクロスモーダル整合性検証を統合したモデル非依存不確実性定量化法を提案する。 このフレームワークは、様々なキャリブレーションとテストの分割比で安定したパフォーマンスを実現し、医療、自律システム、その他の安全に敏感な領域における現実的な展開の堅牢性を強調している。 この研究は、マルチモーダルAIシステムにおける理論的信頼性と実用性の間のギャップを埋め、幻覚検出と不確実性を考慮した意思決定のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-24T15:39:46Z)
• Evaluation of uncertainty estimations for Gaussian process regression based machine learning interatomic potentials [0.0]
  モデル誤差の定量化には機械学習原子間ポテンシャル(MLIP)の不確実性推定が不可欠である。 予測的GPR標準偏差やアンサンブルに基づく不確実性を含む,GPRに基づくMLIPの不確実性の評価を行った。
  論文  参考訳（メタデータ） (2024-10-27T10:06:09Z)
• Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
  大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。 本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T16:35:30Z)
• Uncertainty in Language Models: Assessment through Rank-Calibration [65.10149293133846]
  言語モデル(LM)は、自然言語生成において有望な性能を示している。 与えられた入力に応答する際の不確実性を正確に定量化することは重要である。 我々は、LMの確実性と信頼性を評価するために、Rank$-$Calibration$と呼ばれる斬新で実用的なフレームワークを開発する。
  論文  参考訳（メタデータ） (2024-04-04T02:31:05Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Beyond Ridge Regression for Distribution-Free Data [8.523307608620094]
  正規化最大可能性 (pNML) は、データ上に分布の仮定が作成されない分布自由設定に対する min-max 後悔解として提案されている。 仮説クラスに事前のような関数を適用することで、その有効サイズが減少する。 尾根回帰経験的リスク最小化器(Ridge ERM)によるLpNML予測と関連するpNML 我々のLpNMLは、PMLB集合のリッジERM誤差を最大20%低減し、
  論文  参考訳（メタデータ） (2022-06-17T13:16:46Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• Autocalibration and Tweedie-dominance for Insurance Pricing with Machine Learning [0.0]
  逸脱の最小化には, 下位部分モーメントの重み付き差分の積分と, 特定のスケールで測定されたバイアスとのトレードオフが伴うことが示された。 バイアスを補正する新しい手法は、分析にさらに局所的なGLMステップを追加する。 凸順序は、競合するモデルを比較する自然なツールであるように見える。
  論文  参考訳（メタデータ） (2021-03-05T12:40:30Z)

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。