論文の概要: Tab-TRM: Tiny Recursive Model for Insurance Pricing on Tabular Data

• arxiv url: http://arxiv.org/abs/2601.07675v1
• Date: Mon, 12 Jan 2026 16:01:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.546903
• Title: Tab-TRM: Tiny Recursive Model for Insurance Pricing on Tabular Data
• Title（参考訳）: Tab-TRM: タブラルデータに基づく保険料のTiny Recursive Model
• Authors: Kishan Padayachy, Ronald Richman, Mario V. Wüthrich,
• Abstract要約: Tab-TRMは、Tiny Recursive Models(TRM)の潜在的推論パラダイムを保険モデリングに適用するネットワークアーキテクチャである。 2つの学習可能な潜在トークン – 応答トークンと推論状態 – は,コンパクトでパラメータ効率のよいネットワークによって反復的に洗練されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Tab-TRM (Tabular-Tiny Recursive Model), a network architecture that adapts the recursive latent reasoning paradigm of Tiny Recursive Models (TRMs) to insurance modeling. Drawing inspiration from both the Hierarchical Reasoning Model (HRM) and its simplified successor TRM, the Tab-TRM model makes predictions by reasoning over the input features. It maintains two learnable latent tokens - an answer token and a reasoning state - that are iteratively refined by a compact, parameter-efficient recursive network. The recursive processing layer repeatedly updates the reasoning state given the full token sequence and then refines the answer token, in close analogy with iterative insurance pricing schemes. Conceptually, Tab-TRM bridges classical actuarial workflows - iterative generalized linear model fitting and minimum-bias calibration - on the one hand, and modern machine learning, in terms of Gradient Boosting Machines, on the other.
• Abstract（参考訳）: 本稿では,Tab-TRM(Tabular-Tiny Recursive Model)を導入し,Tab-TRM(Tabular-Tiny Recursive Model)を保険モデルに適用する。 Hierarchical Reasoning Model (HRM)と、その単純化された後継TRMの両方からインスピレーションを得て、Tab-TRMモデルは入力特徴を推論して予測を行う。 2つの学習可能な潜在トークン – 応答トークンと推論状態 – は,コンパクトでパラメータ効率のよい再帰的ネットワークによって反復的に洗練されている。 再帰処理層は、全トークンシーケンスが与えられた推論状態を繰り返し更新し、繰り返し保険料金体系と類似して回答トークンを精査する。 概念的には、Tab-TRMは古典的なアクチュエータワークフロー – 反復的な一般化線形モデルフィッティングと最小バイアスキャリブレーション – を橋渡しし、他方では、グラディエントブースティングマシン(Gradient Boosting Machines)という観点で現代的な機械学習を橋渡しする。

関連論文リスト

• Generalization in Representation Models via Random Matrix Theory: Application to Recurrent Networks [7.721672385781673]
  まず,固定された特徴表現(凍結中間層)と学習可能な読み出し層を用いたモデルの一般化誤差について検討する。 一般化誤差に対する閉形式式を導出するためにランダム行列理論を適用する。 次に、この解析を繰り返し表現に適用し、その性能を特徴付ける簡潔な公式を得る。
  論文  参考訳（メタデータ） (2025-11-04T09:30:31Z)
• TaTToo: Tool-Grounded Thinking PRM for Test-Time Scaling in Tabular Reasoning [77.01182934427095]
  TaTTooは、ツールベースの検証を統合し、正確な報酬管理を提供する新しいテーブルグラウンドのPRMフレームワークである。 私たちはTTTooを2段階のパラダイムでトレーニングします。ツール使用推論パターンをキャプチャするために、コールドスタートの教師による微調整を行い、続いて強化学習を行い、私たちのモデルをテーブルベースの検証と整合させます。
  論文  参考訳（メタデータ） (2025-10-07T17:59:41Z)
• Table-r1: Self-supervised and Reinforcement Learning for Program-based Table Reasoning in Small Language Models [52.94091440130039]
  表推論(TR)は、半構造化データに対する構造化推論を必要とする。 小型言語モデル(SLM)は、大きなLM(LLM、例えばGPT-4o)と比較して限られた能力を持つ。 実行可能プログラムを生成することで、テキストベースTR(T-TR)の鍵となる制限を回避するプログラムベースTR(P-TR)を提案する。 4つのTRベンチマークの実験により、Table-r1は全てのSLMベースの手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-06T14:52:19Z)
• Table-R1: Inference-Time Scaling for Table Reasoning [56.812846737424245]
  推論時間スケーリングを実現するための2つのポストトレーニング戦略を開発し評価する。 蒸留では,DeepSeek-R1 が生成した推論トレースの大規模データセットを導入する。 RLVRではタスク固有の検証可能な報酬関数を提案し、GRPOアルゴリズムを適用してTable-R1-Zeroモデルを得る。
  論文  参考訳（メタデータ） (2025-05-29T16:28:50Z)
• Train with Perturbation, Infer after Merging: A Two-Stage Framework for Continual Learning [57.514786046966265]
  textbfPerturb-and-Merge(P&M)は,モデルマージをCLパラダイムに統合し,忘れを緩和する新しい連続学習フレームワークである。 提案手法は,複数の連続学習ベンチマークデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-05-28T14:14:19Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Recurrent Reinforcement Learning with Memoroids [11.302674177386383]
  我々は、軌道を潜在マルコフ状態にマッピングすることで、リカレントニューラルネットワーク(RNN)やトランスフォーマーなどのメモリモデルを研究する。 特にリニア・リカレント・モデル(Linear Recurrent Models)と呼ばれる新しいクラスのメモリモデルと比較すると、どちらのモデルも特に長いシーケンスにスケールしない。 我々は,メモロイドと呼ばれる新しいモノイドベースのフレームワークを用いて,既存のモデルを再構成する。
  論文  参考訳（メタデータ） (2024-02-15T11:56:53Z)
• LORE++: Logical Location Regression Network for Table Structure Recognition with Pre-training [45.80561537971478]
  表構造認識(TSR)は、画像中のテーブルを機械で理解可能な形式に抽出することを目的としている。 我々は、論理的位置回帰問題としてTSRをモデル化し、LOREと呼ばれる新しいTSRフレームワークを提案する。 提案するLOREは概念的にシンプルで、訓練が容易で、TSRの他のパラダイムよりも正確です。
  論文  参考訳（メタデータ） (2024-01-03T03:14:55Z)
• LORE: Logical Location Regression Network for Table Structure Recognition [24.45544796305824]
  テーブル構造認識は、画像中のテーブルを機械的に理解可能なフォーマットに抽出することを目的としている。 近年の方法では,検出されたセルボックスの隣接関係を予測してこの問題を解決している。 LOREと呼ばれる新しいTSRフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-07T08:42:46Z)
• Measuring and Reducing Model Update Regression in Structured Prediction for NLP [31.86240946966003]
  後方互換性は、新しいモデルが前者によって正しく処理されたケースに回帰しないことを要求する。 本研究は、構造化予測タスクにおける更新回帰をモデル化する。 本稿では,構造化出力の特性を考慮し,単純かつ効果的なバックワード・コングルエント・リグレード(BCR)を提案する。
  論文  参考訳（メタデータ） (2022-02-07T07:04:54Z)
• An EM Approach to Non-autoregressive Conditional Sequence Generation [49.11858479436565]
  自己回帰(AR)モデルは条件付きシーケンス生成において支配的なアプローチである。 非自己回帰(NAR)モデルは、最近、すべての出力トークンを並列に生成することでレイテンシを低減するために提案されている。 本稿では,ARモデルとNARモデルの両方を統合期待最大化フレームワークで協調的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-29T20:58:57Z)

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。