論文の概要: The Impact of Pseudo-Science in Financial Loans Risk Prediction

• arxiv url: http://arxiv.org/abs/2507.16182v1
• Date: Tue, 22 Jul 2025 02:53:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 21:34:13.939392
• Title: The Impact of Pseudo-Science in Financial Loans Risk Prediction
• Title（参考訳）: 擬似科学が金融ローンリスク予測に及ぼす影響
• Authors: Bruno Scarone, Ricardo Baeza-Yates,
• Abstract要約: 金融融資におけるリスク予測への機械学習の直接適用による人々の行動予測における疑似科学的仮定の社会的影響について検討する。 本研究は,社会的に最適なモデルが,この下流作業において有意な精度の損失を生じさせないことを示すものである。
• 参考スコア（独自算出の注目度）: 5.764237203972864
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We study the societal impact of pseudo-scientific assumptions for predicting the behavior of people in a straightforward application of machine learning to risk prediction in financial lending. This use case also exemplifies the impact of survival bias in loan return prediction. We analyze the models in terms of their accuracy and social cost, showing that the socially optimal model may not imply a significant accuracy loss for this downstream task. Our results are verified for commonly used learning methods and datasets. Our findings also show that there is a natural dynamic when training models that suffer survival bias where accuracy slightly deteriorates, and whose recall and precision improves with time. These results act as an illusion, leading the observer to believe that the system is getting better, when in fact the model is suffering from increasingly more unfairness and survival bias.
• Abstract（参考訳）: 金融融資におけるリスク予測への機械学習の直接適用による人々の行動予測における疑似科学的仮定の社会的影響について検討する。 このユースケースはまた、ローン返却予測における生存バイアスの影響を実証する。 本研究は,社会的に最適なモデルが,この下流作業において有意な精度の損失を生じさせないことを示すものである。 本結果は,一般的な学習手法やデータセットに対して検証される。 また,精度がわずかに低下し,リコールや精度が時間とともに向上する生存バイアスに苦しむ訓練モデルには,自然なダイナミクスがあることが示唆された。 これらの結果は錯覚として機能し、モデルがますます不公平さと生存バイアスに悩まされているとき、システムは良くなっていると信じるように仕向ける。

関連論文リスト

• Learning-Augmented Robust Algorithmic Recourse [7.217269034256654]
  アルゴリズムのリコースは、将来望ましい結果を達成するために、最小限のコスト改善を提案する。 機械学習モデルは時間とともに更新されることが多く、それによってリコースが無効になる可能性がある。 本稿では,この問題に対する新しいアルゴリズムを提案し,ロバスト性・一貫性のトレードオフについて検討し,予測精度が性能に与える影響を分析する。
  論文  参考訳（メタデータ） (2024-10-02T14:15:32Z)
• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• Imputation for prediction: beware of diminishing returns [12.424671213282256]
  失敗の値はさまざまな分野に分散しており、予測モデルをトレーニングしデプロイする上での課題を提起している。 最近の理論的および実証的な研究は、単純な定数計算が一貫性と競争力を持つことを示唆している。 本研究の目的は, 先進的な計算手法への投資が, 予測精度を著しく向上させるかどうかを明らかにすることである。
  論文  参考訳（メタデータ） (2024-07-29T09:01:06Z)
• Do We Really Even Need Data? [2.3749120526936465]
  研究者は、事前学習されたアルゴリズムの予測を結果変数として利用している。 推測のための標準的なツールは、真で観測されていない結果が予測された値に置き換えられたときに、独立変数と利害関係の関連性を誤って表現することができる。
  論文  参考訳（メタデータ） (2024-01-14T23:19:21Z)
• Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
  公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。 カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。 本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
  論文  参考訳（メタデータ） (2023-07-17T04:08:29Z)
• Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
  本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。 デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。 これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
  論文  参考訳（メタデータ） (2023-07-12T01:11:52Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Learning Uncertainty with Artificial Neural Networks for Improved Remaining Time Prediction of Business Processes [0.15229257192293202]
  本論文では,これらの手法を予測過程のモニタリングに応用する。 より正確な予測と迅速な作業に貢献できることが分かりました。 これは多くの興味深い応用をもたらし、より小さなデータセットを持つ予測システムを早期に導入し、人間とのより良い協力を促進する。
  論文  参考訳（メタデータ） (2021-05-12T10:18:57Z)
• When Does Uncertainty Matter?: Understanding the Impact of Predictive Uncertainty in ML Assisted Decision Making [68.19284302320146]
  我々は,異なるレベルの専門知識を持つ人々が,異なるタイプの予測不確実性にどう反応するかを評価するために,ユーザスタディを実施している。 その結果,後続の予測分布を示すことは,MLモデルの予測との相違点が小さくなることがわかった。 このことは、後続の予測分布は、人間の分布の種類や専門性を考慮し、注意を払って使用するべき有用な決定支援として役立つ可能性があることを示唆している。
  論文  参考訳（メタデータ） (2020-11-12T02:23:53Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)
• From Predictions to Decisions: Using Lookahead Regularization [28.709041337894107]
  ユーザアクションを予測することで、予測モデルが結果を改善するアクションを誘発するように促すルックアヘッド正規化を導入する。 本稿では,本手法の有効性を示す実データおよび合成データに関する実験結果について報告する。
  論文  参考訳（メタデータ） (2020-06-20T19:23:03Z)

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。