論文の概要: Enhancing Credit Risk Prediction: A Meta-Learning Framework Integrating Baseline Models, LASSO, and ECOC for Superior Accuracy

• arxiv url: http://arxiv.org/abs/2509.22381v1
• Date: Fri, 26 Sep 2025 14:09:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.489051
• Title: Enhancing Credit Risk Prediction: A Meta-Learning Framework Integrating Baseline Models, LASSO, and ECOC for Superior Accuracy
• Title（参考訳）: 信用リスク予測の強化: ベースラインモデル、LASSO、ECOCを統合したメタラーニングフレームワーク
• Authors: Haibo Wang, Lutfu S. Sua, Jun Huang, Figen Balo, Burak Dolar,
• Abstract要約: 本研究では,複数の相補的モデルを合成する包括的メタラーニングフレームワークを提案する。 我々は,全ての構成モデルにまたがる予測クラスに対して,置換特徴重要度分析を実装した。 その結果,我々の枠組みは,財務組織分類の精度を著しく向上させることがわかった。
• 参考スコア（独自算出の注目度）: 7.254744067646655
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective credit risk management is fundamental to financial decision-making, necessitating robust models for default probability prediction and financial entity classification. Traditional machine learning approaches face significant challenges when confronted with high-dimensional data, limited interpretability, rare event detection, and multi-class imbalance problems in risk assessment. This research proposes a comprehensive meta-learning framework that synthesizes multiple complementary models: supervised learning algorithms, including XGBoost, Random Forest, Support Vector Machine, and Decision Tree; unsupervised methods such as K-Nearest Neighbors; deep learning architectures like Multilayer Perceptron; alongside LASSO regularization for feature selection and dimensionality reduction; and Error-Correcting Output Codes as a meta-classifier for handling imbalanced multi-class problems. We implement Permutation Feature Importance analysis for each prediction class across all constituent models to enhance model transparency. Our framework aims to optimize predictive performance while providing a more holistic approach to credit risk assessment. This research contributes to the development of more accurate and reliable computational models for strategic financial decision support by addressing three fundamental challenges in credit risk modeling. The empirical validation of our approach involves an analysis of the Corporate Credit Ratings dataset with credit ratings for 2,029 publicly listed US companies. Results demonstrate that our meta-learning framework significantly enhances the accuracy of financial entity classification regarding credit rating migrations (upgrades and downgrades) and default probability estimation.
• Abstract（参考訳）: 効果的な信用リスク管理は、財務的な意思決定、デフォルトの確率予測のための堅牢なモデル、および財務機関の分類に不可欠である。 従来の機械学習アプローチは、高次元データ、限定的な解釈可能性、まれなイベント検出、リスクアセスメントにおけるマルチクラスの不均衡といった問題に直面している。 本研究は,XGBoost,ランダムフォレスト,サポートベクトルマシン,決定木などの教師付き学習アルゴリズム,K-Nearest Neighborsなどの教師なし手法,多層パーセプトロンなどのディープラーニングアーキテクチャ,機能選択と次元削減のためのLASSO正規化,不均衡なマルチクラス問題を扱うメタクラス化としての誤り訂正出力コードなど,複数の補完モデルの総合的なメタラーニングフレームワークを提案する。 モデル透過性を高めるために,全ての構成モデルにまたがる予測クラスに対して,置換特徴重要度分析を実装した。 我々のフレームワークは、信用リスク評価に対するより包括的なアプローチを提供しながら、予測性能を最適化することを目的としている。 本研究は、信用リスクモデリングにおける3つの根本的な課題に対処することにより、戦略的金融決定支援のためのより正確で信頼性の高い計算モデルの開発に寄与する。 このアプローチの実証的な検証には、コーポレートクレジットレーティングデータセットの分析と、2,029の米国企業に対するクレジットレーティングが含まれる。 その結果,我々のメタラーニングフレームワークは,信用格付け移行(アップグレードとダウングレード)とデフォルト確率推定に関して,金融エンティティ分類の精度を著しく向上させることがわかった。

関連論文リスト

• Unveiling Trust in Multimodal Large Language Models: Evaluation, Analysis, and Mitigation [51.19622266249408]
  MultiTrust-XはMLLMの信頼性問題を評価、分析、緩和するためのベンチマークである。 分類に基づいて、MultiTrust-Xには32のタスクと28のキュレートデータセットが含まれている。 私たちの実験は、現在のモデルに重大な脆弱性を明らかにします。
  論文  参考訳（メタデータ） (2025-08-21T09:00:01Z)
• Explainable Artificial Intelligence Credit Risk Assessment using Machine Learning [0.0]
  本稿では,3つの最先端アンサンブル機械学習モデルと説明可能なAI(XAI)技術を組み合わせたAIによる信用リスク評価システムを提案する。 このシステムはXGBoost、LightGBM、Random Forestアルゴリズムを利用してローンデフォルトリスクの予測分析を行う。 LightGBMは、最も正確で、承認とデフォルトのレートのトレードオフが最良のビジネス最適化モデルとして登場します。
  論文  参考訳（メタデータ） (2025-06-24T07:20:05Z)
• Interpretable Credit Default Prediction with Ensemble Learning and SHAP [3.948008559977866]
  本研究では、信用デフォルト予測の問題に焦点をあて、機械学習に基づくモデリングフレームワークを構築し、様々な主流分類アルゴリズムの比較実験を行う。 その結果、アンサンブル学習法は、特に特徴とデータ不均衡問題の間の複雑な非線形関係を扱う際に、予測性能に明らかな利点があることが示唆された。 外部クレジットスコア変数はモデル決定において主要な役割を担い、モデルの解釈可能性と実用的な応用価値を改善するのに役立ちます。
  論文  参考訳（メタデータ） (2025-05-27T07:23:22Z)
• A Structured Reasoning Framework for Unbalanced Data Classification Using Probabilistic Models [1.6951945839990796]
  本稿では,不均衡データに対するマルコフネットワークモデルについて検討し,分類バイアスとマイノリティクラス認識能力不足の問題を解くことを目的とした。 実験の結果,マルコフネットワークは重み付け精度,F1スコア,AUC-ROCなどの指標で良好に動作することがわかった。 将来の研究は、大規模不均衡なデータ環境における効率的なモデルトレーニング、構造最適化、ディープラーニングの統合に焦点を当てることができる。
  論文  参考訳（メタデータ） (2025-02-05T17:20:47Z)
• Leveraging Convolutional Neural Network-Transformer Synergy for Predictive Modeling in Risk-Based Applications [5.914777314371152]
  本稿では,CNN(Convolutional Neural Network)とTransformerを組み合わせたディープラーニングモデルを提案する。 その結果、CNN+Transformerモデルは、ランダムフォレストやXGBoostといった従来の機械学習モデルよりも優れていることがわかった。 本研究は、信用デフォルト予測の新しいアイデアを提供し、金融分野におけるリスク評価と知的意思決定を強力に支援する。
  論文  参考訳（メタデータ） (2024-12-24T07:07:14Z)
• Evaluating Mathematical Reasoning Beyond Accuracy [50.09931172314218]
  推論ステップの品質を評価するための新しい方法論であるReasonEvalを紹介します。 ReasonEvalはメタ評価データセットのベースライン手法よりも一貫して優れていることを示す。 我々は、ReasonEvalがデータ選択において重要な役割を果たすことを観察する。
  論文  参考訳（メタデータ） (2024-04-08T17:18:04Z)
• A machine learning workflow to address credit default prediction [0.44943951389724796]
  信用デフォルト予測(CDP)は個人や企業の信用力を評価する上で重要な役割を果たす。 CDPを改善するためのワークフローベースのアプローチを提案する。これは、借り手が信用義務を負う確率を評価するタスクを指す。
  論文  参考訳（メタデータ） (2024-03-06T15:30:41Z)
• InfoRM: Mitigating Reward Hacking in RLHF via Information-Theoretic Reward Modeling [66.3072381478251]
  Reward Hacking(報酬の過度な最適化)は依然として重要な課題だ。 本稿では,報奨モデル,すなわちInfoRMのためのフレームワークを提案する。 InfoRMの過度な最適化検出機構は、有効であるだけでなく、幅広いデータセットにわたって堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-02-14T17:49:07Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)

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。