論文の概要: Predicting Invoice Dilution in Supply Chain Finance with Leakage Free Two Stage XGBoost, KAN (Kolmogorov Arnold Networks), and Ensemble Models

• arxiv url: http://arxiv.org/abs/2602.15248v1
• Date: Mon, 16 Feb 2026 23:00:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:17.93246
• Title: Predicting Invoice Dilution in Supply Chain Finance with Leakage Free Two Stage XGBoost, KAN (Kolmogorov Arnold Networks), and Ensemble Models
• Title（参考訳）: リークフリー2段階XGBoost, Kan (Kolmogorov Arnold Networks) および組立モデルによる供給連鎖財務における請求書の希釈予測
• Authors: Pavel Koptev, Vishnu Kumar, Konstantin Malkov, George Shapiro, Yury Vikhanov,
• Abstract要約: 請求書や支払いの希釈は、サプライチェーン金融における非信用リスクとマージン損失の重要な原因である。 本稿では、AI、機械学習フレームワークを導入し、請求の希釈を予測する決定論的アルゴリズムを補う方法を評価する。
• 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: Invoice or payment dilution is the gap between the approved invoice amount and the actual collection is a significant source of non credit risk and margin loss in supply chain finance. Traditionally, this risk is managed through the buyer's irrevocable payment undertaking (IPU), which commits to full payment without deductions. However, IPUs can hinder supply chain finance adoption, particularly among sub-invested grade buyers. A newer, data-driven methods use real-time dynamic credit limits, projecting dilution for each buyer-supplier pair in real-time. This paper introduces an AI, machine learning framework and evaluates how that can supplement a deterministic algorithm to predict invoice dilution using extensive production dataset across nine key transaction fields.
• Abstract（参考訳）: 請求又は支払の希釈は、承認された請求額と実際の徴収との間のギャップであり、サプライチェーンファイナンスにおける非信用リスクとマージン損失の重要な原因である。 伝統的に、このリスクは買い手の請求不能な支払い業務(IPU)を通じて管理される。 しかし、IPUはサプライチェーンの金融導入を妨げる可能性がある。 より新しいデータ駆動方式では、リアルタイムな動的クレジットリミットを使用し、各バイヤーとサプライヤのペアをリアルタイムに希釈する。 本稿では、AI、機械学習フレームワークを導入し、決定論的アルゴリズムを補完して、9つの主要なトランザクションフィールドにまたがる広範な生産データセットを使用して請求の希釈を予測する方法について評価する。

関連論文リスト

• CreditAudit: 2$^\text{nd}$ Dimension for LLM Evaluation and Selection [44.251742023911135]
  CreditAuditはデプロイ指向の信用監査フレームワークで、セマンティックアライメントと非敵対的なシステムプロンプトテンプレートのファミリ下でモデルを評価する。 同様の平均能力を持つモデルは、かなり異なる変動を示し、安定リスクは、エージェントまたは高失敗コストの制度における優先順位決定を覆す可能性があることを示す。
  論文  参考訳（メタデータ） (2026-01-23T07:53:25Z)
• Audit the Whisper: Detecting Steganographic Collusion in Multi-Agent LLMs [0.0]
  Audit the Whisperは、理論、ベンチマーク設計、検出、検証にまたがるカンファレンスグレードの研究成果物である。 i) パラフレーズ, レート制限, 役割置換などの介入が, ペアリングしたKullback-Leibler診断によって定量的なペナルティの操作を課すことを示すチャネル容量分析を行った。 我々は、匿名化された再生スクリプト、匿名化されたマニフェスト、ドキュメントをリリースし、外部監査官がすべての図を再現し、二重盲検要件を満たし、最小限の努力でフレームワークを拡張します。
  論文  参考訳（メタデータ） (2025-10-05T17:51:52Z)
• Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions [51.43521977132062]
  マネーロンダリング(英: Money laundering)は、不正資金の起源を隠蔽する金融犯罪である。 モバイル決済プラットフォームとスマートIoTデバイスの普及は、マネーロンダリング対策をかなり複雑にしている。 本稿では,AMLにおけるディープラーニングソリューションとその利用に関する課題について,包括的レビューを行う。
  論文  参考訳（メタデータ） (2025-03-13T05:19:44Z)
• Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
  本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。 実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
  論文  参考訳（メタデータ） (2024-06-05T20:19:09Z)
• Online Auction Design Using Distribution-Free Uncertainty Quantification with Applications to E-Commerce [6.241187362917031]
  コンフォーマルオンラインオークションデザイン(COAD, Conformal Online Auction Design, コンフォーマルオンラインオークションデザイン)は, 既知分布に依存しない入札値の不確実性を定量化し, 収益を最大化するメカニズムである。 COADには入札者とアイテムの両方の機能が含まれており、過去のデータを使ってオンラインオークションのインセンティブに適合するメカニズムを設計している。 我々は,現実のeBayオークションデータへのアプリケーションを通して,COADの実践的有効性を示す。
  論文  参考訳（メタデータ） (2024-05-11T15:28:25Z)
• Credit Risk Meets Large Language Models: Building a Risk Indicator from Loan Descriptions in P2P Lending [1.1970409518725493]
  Peer-to-peer (P2P) 貸与は、借り手と貸し手をオンラインプラットフォームを介して接続するが、重要な情報非対称性に悩まされる。 本稿では,テキスト中の文脈ニュアンスをキャプチャする能力で知られている大言語モデル(LLM)であるBERTを活用することで,この問題に対処する。 借り手が提供するローン記述を使って、デフォルトのローンと非デフォルトのローンを区別するためにBERTを微調整します。
  論文  参考訳（メタデータ） (2024-01-29T10:11:05Z)
• The Causal Impact of Credit Lines on Spending Distributions [24.966630154325024]
  本稿では,既存の実数値DR-,IPW-,DMLに基づく分布値推定をRubinの因果的フレームワーク内の分布値推定に拡張する分布値推定フレームワークを開発する。 以上の結果から,信用線は全ての量的消費に肯定的な影響を及ぼすことが明らかとなったが,信用線の増加に伴い,消費者は必要以上に豪華に配分する。
  論文  参考訳（メタデータ） (2023-12-16T08:54:59Z)
• Identifying contributors to supply chain outcomes in a multi-echelon setting: a decentralised approach [47.00450933765504]
  本稿では,推定貢献の分散計算における説明可能な人工知能の利用を提案する。 このアプローチは、サプライチェーンアクターにデータ共有を説得する必要性を緩和する。 その結果,集中型アプローチと比較して,品質変化の源泉を検出する方法の有効性が示された。
  論文  参考訳（メタデータ） (2023-07-22T20:03:16Z)
• Explanations of Machine Learning predictions: a mandatory step for its application to Operational Processes [61.20223338508952]
  信用リスクモデリングは重要な役割を果たす。 近年,機械学習や深層学習の手法が採用されている。 この分野における説明可能性問題に LIME 手法を適用することを提案する。
  論文  参考訳（メタデータ） (2020-12-30T10:27:59Z)

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。