論文の概要: Federated Learning for the Design of Parametric Insurance Indices under Heterogeneous Renewable Production Losses

• arxiv url: http://arxiv.org/abs/2601.12178v1
• Date: Sat, 17 Jan 2026 21:41:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.496579
• Title: Federated Learning for the Design of Parametric Insurance Indices under Heterogeneous Renewable Production Losses
• Title（参考訳）: 不均一な再生可能生産損失下におけるパラメトリック保険指標設計のためのフェデレートラーニング
• Authors: Fallou Niakh,
• Abstract要約: 異種再生可能エネルギー生産損失下におけるパラメトリック保険指標の校正のための連合学習枠組みを提案する。 我々は、FedAvg、FedProx、FedOptを実装、比較し、それらを既存の近似ベースのアグリゲーション法と比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a federated learning framework for the calibration of parametric insurance indices under heterogeneous renewable energy production losses. Producers locally model their losses using Tweedie generalized linear models and private data, while a common index is learned through federated optimization without sharing raw observations. The approach accommodates heterogeneity in variance and link functions and directly minimizes a global deviance objective in a distributed setting. We implement and compare FedAvg, FedProx and FedOpt, and benchmark them against an existing approximation-based aggregation method. An empirical application to solar power production in Germany shows that federated learning recovers comparable index coefficients under moderate heterogeneity, while providing a more general and scalable framework.
• Abstract（参考訳）: 異種再生可能エネルギー生産損失下におけるパラメトリック保険指標の校正のための連合学習枠組みを提案する。 生産者は、Tweedie一般化線形モデルとプライベートデータを用いて損失を局所的にモデル化する一方、共通の指標は、生観測を共有することなく、フェデレーション最適化を通じて学習する。 このアプローチは分散とリンク関数の不均一性に対応し、分散環境でのグローバルな逸脱目標を直接最小化する。 我々は、FedAvg、FedProx、FedOptを実装、比較し、それらを既存の近似ベースのアグリゲーション法と比較する。 ドイツにおけるソーラー発電への実証的な応用は、連合学習が適度な不均一性の下で同等の指数係数を回復し、より汎用的でスケーラブルなフレームワークを提供することを示している。

関連論文リスト

• PrAda-GAN: A Private Adaptive Generative Adversarial Network with Bayes Network Structure [16.649885271188353]
  ベイズネットワーク構造を持つプライベート適応生成逆数ネットワーク(PrAda-GAN)を提案する。 提案手法では,変数間の複雑な依存関係を逐次生成するアーキテクチャを採用し,学習構造を適応的に正規化し,基礎となるベイズネットワークの疎結合を促進する。 分析の結果,依存性の分散化は収束率を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2025-11-11T09:00:51Z)
• Stratified GRPO: Handling Structural Heterogeneity in Reinforcement Learning of LLM Search Agents [90.45197506653341]
  大規模言語モデル(LLM)エージェントは、複雑なマルチステップ問題を解決するために、検索エンジンのような外部ツールに依存している。 サーチエージェントの軌道は構造的に不均一であり、サーチコールの数、配置、結果の変動は、根本的に異なる応答方向と報酬分布をもたらす。 1つのグローバルベースラインを使用する標準方針勾配法は、私たちが認識し、層間バイアスとして定式化するものに苦しむ。 本稿では,SAN (Stratified Advantage Normalization) の中心成分であるStratified GRPOを提案する。
  論文  参考訳（メタデータ） (2025-10-07T17:59:13Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• FedORGP: Guiding Heterogeneous Federated Learning with Orthogonality Regularization on Global Prototypes [31.93057335216804]
  フェデレートラーニング(FL)は、分散機械学習に不可欠なフレームワークとして登場した。 現在のアプローチでは、クラスを分離する際の制限に直面している。 本稿では,クラス内プロトタイプの類似性を奨励し,クラス間角分離を拡大するFedtFLORGを紹介する。
  論文  参考訳（メタデータ） (2025-02-22T07:02:51Z)
• Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
  我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。 我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。 車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
  論文  参考訳（メタデータ） (2024-07-24T12:00:30Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Aggregation Weighting of Federated Learning via Generalization Bound Estimation [65.8630966842025]
  フェデレートラーニング(FL)は通常、サンプル比率によって決定される重み付けアプローチを使用して、クライアントモデルパラメータを集約する。 上記の重み付け法を,各局所モデルの一般化境界を考慮した新しい戦略に置き換える。
  論文  参考訳（メタデータ） (2023-11-10T08:50:28Z)
• Every Parameter Matters: Ensuring the Convergence of Federated Learning with Dynamic Heterogeneous Models Reduction [22.567754688492414]
  クロスデバイス・フェデレーション・ラーニング(FL)は、ユニークなコントリビューションを行う可能性のあるローエンドのクライアントが、リソースのボトルネックのため、大規模なモデルのトレーニングから除外されるという、大きな課題に直面します。 近年,グローバルモデルから縮小サイズのモデルを抽出し,それに応じてローカルクライアントに適用することによって,モデル不均一FLに焦点を当てている。 本稿では,オンラインモデル抽出を用いた不均一FLアルゴリズムの一元化フレームワークを提案し,一般収束解析を初めて提供する。
  論文  参考訳（メタデータ） (2023-10-12T19:07:58Z)
• Optimal Multitask Linear Regression and Contextual Bandits under Sparse Heterogeneity [41.772562538698395]
  マルチタスク学習手法は、データセット間の共通性を活用することにより効率を向上する。 マルチタスク線形回帰と文脈帯域幅をスパースヘテロジニティ下で検討した。 提案手法は,多くの下界を提供することにより,最小限の最適化が可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-09T22:48:13Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)

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。