論文の概要: Transforming Credit Risk Analysis: A Time-Series-Driven ResE-BiLSTM Framework for Post-Loan Default Detection

• arxiv url: http://arxiv.org/abs/2508.00415v1
• Date: Fri, 01 Aug 2025 08:13:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.79261
• Title: Transforming Credit Risk Analysis: A Time-Series-Driven ResE-BiLSTM Framework for Post-Loan Default Detection
• Title（参考訳）: Transforming Credit Risk Analysis: ローン後デフォルト検出のための時系列駆動型ResE-BiLSTMフレームワーク
• Authors: Yue Yang, Yuxiang Lin, Ying Zhang, Zihan Su, Chang Chuan Goh, Tangtangfang Fang, Anthony Graham Bellotti, Boon Giin Lee,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.68085308605668
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prediction of post-loan default is an important task in credit risk management, and can be addressed by detection of financial anomalies using machine learning. This study introduces a ResE-BiLSTM model, using a sliding window technique, and is evaluated on 44 independent cohorts from the extensive Freddie Mac US mortgage dataset, to improve prediction performance. The ResE-BiLSTM is compared with five baseline models: Long Short-Term Memory (LSTM), BiLSTM, Gated Recurrent Units (GRU), Convolutional Neural Networks (CNN), and Recurrent Neural Networks (RNN), across multiple metrics, including Accuracy, Precision, Recall, F1, and AUC. An ablation study was conducted to evaluate the contribution of individual components in the ResE-BiLSTM architecture. Additionally, SHAP analysis was employed to interpret the underlying features the model relied upon for its predictions. Experimental results demonstrate that ResE-BiLSTM achieves superior predictive performance compared to baseline models, underscoring its practical value and applicability in real-world scenarios.
• Abstract（参考訳）: ローン後のデフォルトの予測は信用リスク管理において重要な課題であり、機械学習を用いて財務異常を検出することで対処できる。 本研究では,スライドウインドウを用いたResE-BiLSTMモデルを導入し,フレディマック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を用いて予測性能を向上する。 ResE-BiLSTMは、Long Short-Term Memory (LSTM)、BiLSTM、Gated Recurrent Units (GRU)、Convolutional Neural Networks (CNN)、Recurrent Neural Networks (RNN)の5つのベースラインモデルと比較される。 ResE-BiLSTMアーキテクチャにおける個々の成分の寄与を評価するためのアブレーション実験を行った。 さらに、モデルが予測に頼っていた基礎的特徴を解釈するためにSHAP分析が採用された。 実験結果から,ResE-BiLSTMはベースラインモデルよりも優れた予測性能を示し,実世界のシナリオにおける実用的価値と適用性を強調した。

関連論文リスト

• Kolmogorov-Arnold Networks-based GRU and LSTM for Loan Default Early Prediction [13.227020042685687]
  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。
  論文  参考訳（メタデータ） (2025-07-18T06:20:41Z)
• MAWIFlow Benchmark: Realistic Flow-Based Evaluation for Network Intrusion Detection [47.86433139298671]
  本稿では,MAWILAB v1.1データセットから得られたフローベースベンチマークであるMAWIFlowを紹介する。 得られたデータセットは、2011年1月、2016年、2021年に太平洋横断のバックボーンのトラフィックから引き出された、時間的に異なるサンプルで構成されている。 決定木、ランダムフォレスト、XGBoost、ロジスティック回帰を含む伝統的な機械学習手法は、CNN-BiLSTMアーキテクチャに基づいたディープラーニングモデルと比較される。
  論文  参考訳（メタデータ） (2025-06-20T14:51:35Z)
• Taming Polysemanticity in LLMs: Provable Feature Recovery via Sparse Autoencoders [50.52694757593443]
  既存のSAEトレーニングアルゴリズムは厳密な数学的保証を欠いていることが多く、実用的な制限に悩まされている。 まず,特徴の特定可能性という新たな概念を含む特徴回復問題の統計的枠組みを提案する。 本稿では、ニューラルネットワークのバイアスパラメータを適応的に調整し、適切なアクティベーション間隔を確保する手法である「バイアス適応」に基づく新たなSAEトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-16T20:58:05Z)
• Model Reprogramming Demystified: A Neural Tangent Kernel Perspective [49.42322600160337]
  本稿では,ニューラルタンジェントカーネル(NTK)フレームワークのレンズを用いて,モデル再プログラミング(MR)の包括的理論的解析を行う。 目的とするデータセット上でのNTK行列の固有値スペクトルによってMRの成功が制御されることを示す。 我々の貢献には、MRの新たな理論フレームワーク、ソースモデルとターゲットモデルの関係に関する洞察、そして我々の発見を検証した広範な実験が含まれる。
  論文  参考訳（メタデータ） (2025-05-31T16:15:04Z)
• Gradient Boosting Decision Tree with LSTM for Investment Prediction [10.423142507018577]
  このフレームワークは、時系列財務データを処理し、7つのモデルを用いてパフォーマンスを評価する。 MAE、R-squared、MSE、RMSEといった主要なメトリクスは、異なる時間スケールでベンチマークを確立するために使用される。 実験の結果,提案手法は個々のモデルと比較して精度を10～15%向上することがわかった。
  論文  参考訳（メタデータ） (2025-05-29T04:38:41Z)
• A Deep Learning Framework Integrating CNN and BiLSTM for Financial Systemic Risk Analysis and Prediction [17.6825558707504]
  本研究では、畳み込みニューラルネットワーク(CNN)と双方向長短期記憶ネットワーク(BiLSTM)を組み合わせたディープラーニングモデルを提案する。 このモデルはまずCNNを用いて金融市場の多次元特徴の局所パターンを抽出し、次にBiLSTMを通して時系列の双方向依存性をモデル化する。 その結果,従来の単一モデルよりも精度,リコール,F1スコアの点で優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-07T07:57:11Z)
• Advancing Financial Risk Prediction Through Optimized LSTM Model Performance and Comparative Analysis [12.575399233846092]
  本稿では、金融リスク予測におけるLSTMモデルの適用と最適化に焦点を当てる。 最適化LSTMモデルは、ランダムフォレスト、BPニューラルネットワーク、XGBoostと比較して、AUC指数において大きな利点を示す。
  論文  参考訳（メタデータ） (2024-05-31T03:31:17Z)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
  ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。 本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。 その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• 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)
• Lipschitz Recurrent Neural Networks [100.72827570987992]
  我々のリプシッツ再帰ユニットは、他の連続時間RNNと比較して、入力やパラメータの摂動に対してより堅牢であることを示す。 実験により,Lipschitz RNNは,ベンチマークタスクにおいて,既存のリカレントユニットよりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-22T08:44:52Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)
• Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network for Forecasting Network-wide Traffic State with Missing Values [23.504633202965376]
  我々は、RNNベースのモデルに注目し、RNNとその変種を交通予測モデルに組み込む方法を再検討する。 トラフィック状態予測のためのニューラルネットワーク構造の設計を支援するために,スタック型双方向・一方向LSTMネットワークアーキテクチャ(SBU-LSTM)を提案する。 また,LSTM構造(LSTM-I)におけるデータ計算機構を提案する。
  論文  参考訳（メタデータ） (2020-05-24T00:17:15Z)

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。