論文の概要: Incremental Hybrid Ensemble with Graph Attention and Frequency-Domain Features for Stable Long-Term Credit Risk Modeling

• arxiv url: http://arxiv.org/abs/2510.07663v1
• Date: Thu, 09 Oct 2025 01:31:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.804575
• Title: Incremental Hybrid Ensemble with Graph Attention and Frequency-Domain Features for Stable Long-Term Credit Risk Modeling
• Title（参考訳）: 安定な長期信用リスクモデリングのためのグラフ注意と周波数領域特徴付きインクリメンタルハイブリッドアンサンブル
• Authors: Jiajing Wang,
• Abstract要約: HYDRA-EIはハイブリッドアンサンブルインクリメンタルラーニングフレームワークである。 リレーショナル、クロス、および周波数ベースの機能を構築する。 HYDRA-EIは新しいデータを使って毎週更新し、単純なパフォーマンスベースの方法でモデルの重みを調整する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting long-term loan defaults is hard because borrower behavior often changes and data distributions shift over time. This paper presents HYDRA-EI, a hybrid ensemble incremental learning framework. It uses several stages of feature processing and combines multiple models. The framework builds relational, cross, and frequency-based features. It uses graph attention, automatic cross-feature creation, and transformations from the frequency domain. HYDRA-EI updates weekly using new data and adjusts the model weights with a simple performance-based method. It works without frequent manual changes or fixed retraining. HYDRA-EI improves model stability and generalization, which makes it useful for long-term credit risk tasks.
• Abstract（参考訳）: 借り手の振る舞いが頻繁に変化し、データの分散が時間が経つにつれて変化するため、長期ローンのデフォルトを予測することは難しい。 本稿では,ハイブリッドアンサンブルインクリメンタル学習フレームワークHYDRA-EIを提案する。 機能処理のいくつかの段階を使用し、複数のモデルを組み合わせる。 このフレームワークはリレーショナル、クロス、および周波数ベースの機能を構築する。 グラフアテンション、自動クロスフィーチャー生成、周波数領域からの変換を使用する。 HYDRA-EIは新しいデータを使って毎週更新し、単純なパフォーマンスベースの方法でモデルの重みを調整する。 頻繁な手動の変更やトレーニングの修正は行わない。 HYDRA-EIはモデルの安定性と一般化を改善し、長期信用リスクタスクに有用である。

関連論文リスト

• KARMA: A Multilevel Decomposition Hybrid Mamba Framework for Multivariate Long-Term Time Series Forecasting [2.9629194094115183]
  伝統的な時系列分解法は単一であり、固定規則に依存している。 我々は,適応時間チャネル分解モジュール(ATCD)を用いて,トレンドや季節成分を動的に抽出するKARMAを紹介する。 さらにHFTD(Hybrid Frequency-Time Decomposition Module)を統合して、Seriesを周波数領域と時間領域に分解する。
  論文  参考訳（メタデータ） (2025-06-10T16:03:33Z)
• Time Tracker: Mixture-of-Experts-Enhanced Foundation Time Series Forecasting Model with Decoupled Training Pipelines [5.543238821368548]
  時系列はしばしば、異なる時間帯と領域にまたがる時間パターンに顕著な多様性を示す。 Time Trackerは、精度、モデルの一般化、適応性を予測する際に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） (2025-05-21T06:18:41Z)
• Generative Models for Long Time Series: Approximately Equivariant Recurrent Network Structures for an Adjusted Training Scheme [4.327763441385371]
  本稿では,連続層を有する変分オートエンコーダ(VAE)に基づく時系列データに対する簡易かつ効果的な生成モデルを提案する。 本手法では,シーケンス長を漸進的に向上させる適応型トレーニング手法を提案する。 リカレントアーキテクチャを利用することで、モデルはシーケンス長に関係なく定数数のパラメータを保持する。
  論文  参考訳（メタデータ） (2025-05-08T07:52:37Z)
• TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
  時系列データは、その固有の長短の依存関係によって特徴づけられる。 本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。 我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-04-12T13:41:29Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
  パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。 結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-02T16:45:19Z)
• Long-tailed Recognition by Routing Diverse Distribution-Aware Experts [64.71102030006422]
  我々は、RoutIng Diverse Experts (RIDE) と呼ばれる新しい長い尾の分類器を提案する。 複数の専門家とのモデルの分散を減らし、分布を考慮した多様性損失によるモデルバイアスを減らし、動的専門家ルーティングモジュールによる計算コストを削減します。 RIDEは、CIFAR100-LT、ImageNet-LT、iNaturalist 2018ベンチマークで最先端を5%から7%上回っている。
  論文  参考訳（メタデータ） (2020-10-05T06:53:44Z)

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。