論文の概要: Kolmogorov-Arnold Networks-based GRU and LSTM for Loan Default Early Prediction

• arxiv url: http://arxiv.org/abs/2507.13685v1
• Date: Fri, 18 Jul 2025 06:20:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.198467
• Title: Kolmogorov-Arnold Networks-based GRU and LSTM for Loan Default Early Prediction
• Title（参考訳）: Kolmogorov-Arnold Networks-based GRU and LSTM for Loan Default Early Prediction
• Authors: Yue Yang, Zihan Su, Ying Zhang, Chang Chuan Goh, Yuxiang Lin, Anthony Graham Bellotti, Boon Giin Lee,
• Abstract要約: この研究は、GRU-KANとLSTM-KANという2つの革新的なアーキテクチャを導入し、KAN(Kolmogorov-Arnold Networks)とGRU(Gated Recurrent Units)とLSTM(Long Short-Term Memory)ネットワークを統合した。 提案モデルでは,事前3ヶ月で92%以上,事前8ヶ月で88%以上の予測精度を達成し,既存のベースラインを著しく上回る結果となった。
• 参考スコア（独自算出の注目度）: 13.227020042685687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study addresses a critical challenge in time series anomaly detection: enhancing the predictive capability of loan default models more than three months in advance to enable early identification of default events, helping financial institutions implement preventive measures before risk events materialize. Existing methods have significant drawbacks, such as their lack of accuracy in early predictions and their dependence on training and testing within the same year and specific time frames. These issues limit their practical use, particularly with out-of-time data. To address these, the study introduces two innovative architectures, GRU-KAN and LSTM-KAN, which merge Kolmogorov-Arnold Networks (KAN) with Gated Recurrent Units (GRU) and Long Short-Term Memory (LSTM) networks. The proposed models were evaluated against the baseline models (LSTM, GRU, LSTM-Attention, and LSTM-Transformer) in terms of accuracy, precision, recall, F1 and AUC in different lengths of feature window, sample sizes, and early prediction intervals. The results demonstrate that the proposed model achieves a prediction accuracy of over 92% three months in advance and over 88% eight months in advance, significantly outperforming existing baselines.
• Abstract（参考訳）: 本研究は,3カ月以上前のローンデフォルトモデルの予測能力を向上し,デフォルトイベントの早期識別を可能にし,リスクイベントが成立する前に金融機関が予防措置を実施できるようにするという,時系列異常検出における重要な課題に対処する。 既存の手法には、早期予測における精度の欠如や、同じ年内のトレーニングとテストへの依存、特定の時間枠など、大きな欠点がある。 これらの問題は、特にアウトオブタイムデータにおいて、実用的利用を制限する。 GRU-KANとLSTM-KANはKolmogorov-Arnold Networks(KAN)とGated Recurrent Units(GRU)とLong Short-Term Memory(LSTM)を統合している。 提案モデルは,特徴ウィンドウ,サンプルサイズ,早期予測間隔の異なる精度,精度,リコール,F1,AUCのベースラインモデル (LSTM, GRU, LSTM-Attention, LSTM-Transformer) に対して評価した。 その結果,提案モデルでは,前3ヶ月で92%以上,前8ヶ月で88%以上の予測精度が得られ,既存のベースラインを著しく上回ることがわかった。

関連論文リスト

• Transforming Credit Risk Analysis: A Time-Series-Driven ResE-BiLSTM Framework for Post-Loan Default Detection [12.68085308605668]
  債務不履行の予測は信用リスク管理において重要な課題である。 本研究では,スライドウィンドウを用いたResE-BiLSTMモデルを提案する。 大規模なFreddie Mac US住宅ローンデータセットから44個の独立したコホートで評価されている。
  論文  参考訳（メタデータ） (2025-08-01T08:13:14Z)
• Lost at the Beginning of Reasoning [82.18834329384514]
  第1の推論ステップが最終予測に不当に大きな影響を与えることを示す。 本稿では、報酬モデルを利用して高品質な第1推論ステップを特定し、維持する効率的なサンプリング戦略を提案する。 モデル自己補正能力を体系的に評価するために、意図的に欠陥のある第1の推論ステップで構築された新しいベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-06-27T09:53:57Z)
• Neural Networks with LSTM and GRU in Modeling Active Fires in the Amazon [0.0]
  本研究は,ブラジルのアマゾンにあるAQUA_M-T衛星によって検出された活動点の歴史的時系列をモデル化し,予測するための包括的方法論を提案する。 このアプローチでは、Long Short-Term Memory(LSTM)とGated Recurrent Unit(GRU)アーキテクチャを組み合わせた混合リカレントニューラルネットワーク(RNN)モデルを採用して、毎日検出されたアクティブファイアスポットの月次蓄積を予測する。
  論文  参考訳（メタデータ） (2024-09-04T13:11:59Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• Inside the black box: Neural network-based real-time prediction of US recessions [0.0]
  長期記憶(LSTM)とゲートリカレントユニット(GRU)は、1967年から2021年までのアメリカの不況をモデル化するために使用される。 シェープ法は、S&P500指数のような重要なリセッション指標を3カ月間予測する。
  論文  参考訳（メタデータ） (2023-10-26T16:58:16Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case Study of the COVID-19 Epidemic Curves [0.0]
  本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。 予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
  論文  参考訳（メタデータ） (2021-08-19T14:44:46Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• An autoencoder wavelet based deep neural network with attention mechanism for multistep prediction of plant growth [4.077787659104315]
  本稿では,植物茎径変動予測(sdv)に着目した農業における植物成長予測手法を提案する。 ウェーブレット分解を元のデータに適用し、モデルフィッティングを容易にし、ノイズを低減する。 エンコーダ・デコーダフレームワークはLong Short Term Memory (LSTM)を用いて開発され、データから適切な特徴抽出に使用される。 時系列データの長期依存性をモデル化するために,LSTMと注意メカニズムを含む繰り返しニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-07T20:30:39Z)
• Spatiotemporal Adaptive Neural Network for Long-term Forecasting of Financial Time Series [0.2793095554369281]
  本稿では,ディープニューラルネットワーク(DNN)が時系列予測(TS)の同時予測に利用できるかどうかを検討する。 動的因子グラフ(DFG)を用いて多変量自己回帰モデルを構築する。 ACTMでは、TSモデルの自己回帰順序を時間とともに変化させ、より大きな確率分布をモデル化することができる。
  論文  参考訳（メタデータ） (2020-03-27T00:53:11Z)

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。