論文の概要: Transfer Learning for Loan Recovery Prediction under Distribution Shifts with Heterogeneous Feature Spaces

• arxiv url: http://arxiv.org/abs/2604.02832v1
• Date: Fri, 03 Apr 2026 07:54:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.383239
• Title: Transfer Learning for Loan Recovery Prediction under Distribution Shifts with Heterogeneous Feature Spaces
• Title（参考訳）: 不均質な特徴空間を持つ配電シフトによるローン回復予測の伝達学習
• Authors: Christopher Gerling, Hanqiu Peng, Ying Chen, Stefan Lessmann,
• Abstract要約: 本稿では、ローンレベルのポイント推定とポートフォリオレベルの予測分布の両方を生成するFT-MDN-Transformerを提案する。 制御モンテカルロシミュレーションと,GCD(Global Credit Data)ローンデータセットをソースとして,新たな債券データセットをターゲットとして,実世界の送金設定において提案手法を評価する。
• 参考スコア（独自算出の注目度）: 7.515283162165111
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasting of recovery rates (RR) is central to credit risk management and regulatory capital determination. In many loan portfolios, however, RR modeling is constrained by data scarcity arising from infrequent default events. Transfer learning (TL) offers a promising avenue to mitigate this challenge by exploiting information from related but richer source domains, yet its effectiveness critically depends on the presence and strength of distributional shifts, and on potential heterogeneity between source and target feature spaces. This paper introduces FT-MDN-Transformer, a mixture-density tabular Transformer architecture specifically designed for TL in RR forecasting across heterogeneous feature sets. The model produces both loan-level point estimates and portfolio-level predictive distributions, thereby supporting a wide range of practical RR forecasting applications. We evaluate the proposed approach in a controlled Monte Carlo simulation that facilitates systematic variation of covariate, conditional, and label shifts, as well as in a real-world transfer setting using the Global Credit Data (GCD) loan dataset as source and a novel bonds dataset as target. Our results show that FT-MDN-Transformer outperforms baseline models when target-domain data are limited, with particularly pronounced gains under covariate and conditional shifts, while label shift remains challenging. We also observe its probabilistic forecasts to closely track empirical recovery distributions, providing richer information than conventional point-prediction metrics alone. Overall, the findings highlight the potential of distribution-aware TL architectures to improve RR forecasting in data-scarce credit portfolios and offer practical insights for risk managers operating under heterogeneous data environments.
• Abstract（参考訳）: 回収率(RR)の正確な予測は信用リスク管理と規制資本決定の中心である。 しかし、多くのローンポートフォリオでは、RRモデリングは、頻繁なデフォルトイベントに起因するデータの不足によって制約される。 トランスファーラーニング(TL)は、関連するがリッチなソースドメインの情報を活用することで、この課題を緩和する有望な手段を提供するが、その有効性は、分布シフトの存在と強さ、およびソースとターゲットの特徴空間の間の潜在的な不均一性に依存する。 本稿では、不均一な特徴集合をまたいで予測するRRにおいて、TL用に特別に設計された混合密度表型変換器アーキテクチャであるFT-MDN-Transformerを紹介する。 このモデルはローンレベルのポイント推定とポートフォリオレベルの予測分布の両方を生成し、それによって幅広い実用的なRR予測アプリケーションをサポートする。 我々は,共変量,条件,ラベルシフトの体系的変動を促進するモンテカルロシミュレーションにおける提案手法と,GCD(Global Credit Data)ローンデータセットをソースとして,新たな債券データセットをターゲットとした実世界のトランスファー環境での評価を行った。 この結果から,FT-MDN-Transformerはターゲットドメインデータに制限がある場合のベースラインモデルよりも優れており,特に共変量および条件シフト下での利得が顕著であるが,ラベルシフトは依然として困難である。 また,経験的回復分布を綿密に追跡する確率的予測も観察し,従来の点予測指標よりも豊かな情報を提供する。 全体としては、データスカースクレジットポートフォリオのRR予測を改善し、異種データ環境下で運用されるリスクマネージャに対して実用的な洞察を提供するために、分散対応TLアーキテクチャの可能性を強調している。

関連論文リスト

• Transfer Learning Through Conditional Quantile Matching [3.86972243789112]
  我々は、異種ソースドメインを利用した回帰学習フレームワークを導入し、データスカースターゲットドメインにおける予測性能を改善する。 提案手法は,各ソース領域に対して個別に条件生成モデルを学習し,条件量子マッチングにより対象ドメインに対する応答を校正する。
  論文  参考訳（メタデータ） (2026-02-02T17:19:55Z)
• Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration [56.074760766965085]
  PRISMは、モデルの既存の知識との認知的対立度に基づいてデータを調停する動的認識フレームワークを実現する。 この結果から,内部最適化方式に基づくデータ分離が,スケーラブルでロバストなエージェントアライメントに不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-12T05:43:20Z)
• Heterogeneous Multisource Transfer Learning via Model Averaging for Positive-Unlabeled Data [2.030810815519794]
  本研究では,異種データソースからの情報を直接データ共有なしで統合するトランスファー学習フレームワークを提案する。 各ソースドメインタイプに対して、調整されたロジスティック回帰モデルを実行し、平均化によって知識をPUターゲットドメインに転送する。 提案手法は,特にラベル付きデータや異種環境において,予測精度とロバスト性において,他の比較手法よりも優れる。
  論文  参考訳（メタデータ） (2025-11-14T03:15:31Z)
• Distributionally Robust Federated Learning with Outlier Resilience [8.69285602685459]
  本研究では, 分散的頑健なフェデレーション学習について, 明確な外部レジリエンスを用いて検討した。 我々は、ロバスト性証明を許容するトラクタブルなラグランジアンペナルティ最適化として問題を再構築する。 この改革に基づいて,分散外乱フェデレーション学習アルゴリズムを提案し,その収束保証を確立する。
  論文  参考訳（メタデータ） (2025-09-29T08:42:12Z)
• Statistical Analysis of Conditional Group Distributionally Robust Optimization with Cross-Entropy Loss [16.1456465253627]
  本研究では、複数のソースドメインからラベル付きデータを入手でき、対象ドメインからラベルなしデータのみを観測できるマルチソース非教師付きドメイン適応について検討する。 本稿では,情報源領域からの条件付き結果分布の凸結合を最小化することにより,分類器を学習するグループ分散条件最適化フレームワークを提案する。 実験的なCG-DRO推定器の高速な統計的収束速度を,理論ブリッジとして機能する2つの代理極小最適化問題を構築することにより確立する。
  論文  参考訳（メタデータ） (2025-07-14T04:21:23Z)
• Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
  まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。 次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。 これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-06T17:19:23Z)
• Probable Domain Generalization via Quantile Risk Minimization [90.15831047587302]
  ドメインの一般化は、目に見えないテスト分布でうまく機能する予測子を求める。 我々はDGのための新しい確率的フレームワークを提案し、高い確率でよく動作する予測器を学習することを目指している。
  論文  参考訳（メタデータ） (2022-07-20T14:41:09Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。