論文の概要: Temporal-Aligned Meta-Learning for Risk Management: A Stacking Approach for Multi-Source Credit Scoring

• arxiv url: http://arxiv.org/abs/2601.07588v1
• Date: Mon, 12 Jan 2026 14:36:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.458403
• Title: Temporal-Aligned Meta-Learning for Risk Management: A Stacking Approach for Multi-Source Credit Scoring
• Title（参考訳）: リスク管理のための時間アラインなメタラーニング:マルチソース・クレジット・スコーリングのためのスタックリングアプローチ
• Authors: O. Didkovskyi, A. Vidali, N. Jean, G. Le Pera,
• Abstract要約: 本稿では,イタリア中小企業の信用リスク評価のためのメタラーニングフレームワークを提案する。 このアプローチは、ファイナンシャルステートメント参照日時と評価日時を一致させ、発行遅延と非同期データソースから生じるバイアスを軽減する。 経験的検証は、このフレームワークが時間とともに信用リスクの進化を効果的に捉え、標準アンサンブル法に対する時間的一貫性と予測安定性を改善していることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents a meta-learning framework for credit risk assessment of Italian Small and Medium Enterprises (SMEs) that explicitly addresses the temporal misalignment of credit scoring models. The approach aligns financial statement reference dates with evaluation dates, mitigating bias arising from publication delays and asynchronous data sources. It is based on a two-step temporal decomposition that at first estimates annual probabilities of default (PDs) anchored to balance-sheet reference dates (December 31st) through a static model. Then it models the monthly evolution of PDs using higher-frequency behavioral data. Finally, we employ stacking-based architecture to aggregate multiple scoring systems, each capturing complementary aspects of default risk, into a unified predictive model. In this way, first level model outputs are treated as learned representations that encode non-linear relationships in financial and behavioral indicators, allowing integration of new expert-based features without retraining base models. This design provides a coherent and interpretable solution to challenges typical of low-default environments, including heterogeneous default definitions and reporting delays. Empirical validation shows that the framework effectively captures credit risk evolution over time, improving temporal consistency and predictive stability relative to standard ensemble methods.
• Abstract（参考訳）: 本稿では,イタリア中小企業の信用リスク評価のためのメタラーニングフレームワークを提案する。 このアプローチは、ファイナンシャルステートメント参照日時と評価日時を一致させ、発行遅延と非同期データソースから生じるバイアスを軽減する。 これは2段階の時間分解に基づいており、最初は静的モデルを通じてバランスシート参照日(12月31日)に固定されたデフォルト(PD)の年次確率を推定していた。 そして、高頻度の行動データを用いて、PDの月次進化をモデル化する。 最後に、スタック方式のアーキテクチャを用いて複数のスコアリングシステムを集約し、それぞれがデフォルトリスクの相補的な側面を統一的な予測モデルに取り込みます。 このように、第1レベルのモデル出力は、金融指標と行動指標の非線形関係を符号化する学習表現として扱われ、ベースモデルを再訓練することなく、新しい専門家ベースの機能を統合することができる。 この設計は、不均一なデフォルト定義やレポート遅延を含む、低デフォルト環境の典型的な課題に対する一貫性と解釈可能なソリューションを提供する。 経験的検証は、このフレームワークが時間とともに信用リスクの進化を効果的に捉え、標準アンサンブル法に対する時間的一貫性と予測安定性を改善していることを示している。

関連論文リスト

• PDx -- Adaptive Credit Risk Forecasting Model in Digital Lending using Machine Learning Operations [0.0]
  PDxは、デジタル融資における信用リスクを予測するための適応型機械学習操作(MLOps)駆動意思決定システムである。 PDxは、堅牢なMLOpsパイプラインを通じて、継続的モデル監視、再トレーニング、バリデーションを統合する。
  論文  参考訳（メタデータ） (2025-12-26T05:40:16Z)
• Open-World Deepfake Attribution via Confidence-Aware Asymmetric Learning [78.92934995292113]
  本稿では,既知の偽造と新規な偽造の信頼のバランスをとる,信頼を意識した非対称学習(CAL)フレームワークを提案する。 CALは従来手法を一貫して上回り、既知の偽造と新しい偽造の両方で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） (2025-12-14T12:31:28Z)
• Beyond Model Ranking: Predictability-Aligned Evaluation for Time Series Forecasting [18.018179328110048]
  スペクトルコヒーレンスに基づく予測可能性整合診断フレームワークを提案する。 予測可能性ドリフト(predictability drift, 予測可能性ドリフト)の最初の体系的な証拠として, タスクの予測困難度が時間とともに急激に変化することを示す。 複雑なモデルは予測可能性の低いデータより優れているのに対し、線形モデルは予測可能なタスクに非常に効果的である。
  論文  参考訳（メタデータ） (2025-09-27T02:56:06Z)
• Towards Foundation Models for Zero-Shot Time Series Anomaly Detection: Leveraging Synthetic Data and Relative Context Discrepancy [33.68487894996624]
  時系列異常検出(TSAD)は重要な課題であるが、見えないデータに一般化するモデルを開発することは大きな課題である。 我々は、新しい事前学習パラダイムの上に構築されたTSADの新たな基盤モデルであるtextttTimeRCDを紹介した。 textttTimeRCD はゼロショット TSAD において,既存の汎用および異常固有の基盤モデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-25T14:05:15Z)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
  本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。 WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。 私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-23T16:02:06Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Synthetic Data for Portfolios: A Throw of the Dice Will Never Abolish Chance [0.0]
  本稿では、特にポートフォリオとリスクマネジメントにおいて、生成モデルの限界についてより深く理解するために貢献する。 本稿では,米国株式の宇宙における従来の評価基準を満たす多変量回帰生成のためのパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-01-07T18:50:24Z)
• MIBP-Cert: Certified Training against Data Perturbations with Mixed-Integer Bilinear Programs [50.41998220099097]
  トレーニング中のデータエラー、汚職、中毒攻撃は、現代のAIシステムの信頼性に大きな脅威をもたらす。 混合整数双線形プログラミング(MIBP)に基づく新しい認証手法MIBP-Certを紹介する。 摂動データや操作データを通じて到達可能なパラメータの集合を計算することで、可能なすべての結果を予測することができ、堅牢性を保証することができる。
  論文  参考訳（メタデータ） (2024-12-13T14:56:39Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
  本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。 堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。 異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
  論文  参考訳（メタデータ） (2020-07-21T08:18:06Z)

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。