論文の概要: STRIKE: Additive Feature-Group-Aware Stacking Framework for Credit Default Prediction

• arxiv url: http://arxiv.org/abs/2604.17622v1
• Date: Sun, 19 Apr 2026 21:21:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.606405
• Title: STRIKE: Additive Feature-Group-Aware Stacking Framework for Credit Default Prediction
• Title（参考訳）: STRIKE: クレジットデフォルト予測のための追加機能グループ対応スタックフレームワーク
• Authors: Swattik Maiti, Ritik Pratap Singh, Fardina Fathmiul Alam,
• Abstract要約: STRIKEは、構造化信用リスクデータのための機能グループ対応のスタックフレームワークである。 特徴空間を意味的に一貫性のあるグループに分割し、各グループ内で独立した学習者を訓練する。 AUC-ROCの観点では、強い木ベースのベースラインと従来の積み重ねアプローチを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 0.38233569758620045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Credit risk default prediction remains a cornerstone of risk management in the financial industry. The task involves estimating the likelihood that a borrower will fail to meet debt obligations, an objective critical for lending decisions, portfolio optimization, and regulatory compliance. Traditional machine learning models such as logistic regression and tree-based ensembles are widely adopted for their interpretability and strong empirical performance. However, modern credit datasets are high-dimensional, heterogeneous, and noisy, increasing overfitting risk in monolithic models and reducing robustness under distributional shift. We introduce STRIKE (Stacking via Targeted Representations of Isolated Knowledge Extractors), a feature-group-aware stacking framework for structured tabular credit risk data. Rather than training a single monolithic model on the complete dataset, STRIKE partitions the feature space into semantically coherent groups and trains independent learners within each group. This decomposition is motivated by an additive perspective on risk modeling, where distinct feature sources contribute complementary evidence that can be combined through a structured aggregation. The resulting group-specific predictions are integrated through a meta-learner that aggregates signals while maintaining robustness and modularity. We evaluate STRIKE on three real-world datasets spanning corporate bankruptcy and consumer lending scenarios. Across all settings, STRIKE consistently outperforms strong tree-based baselines and conventional stacking approaches in terms of AUC-ROC. Ablation studies confirm that performance gains stem from meaningful feature decomposition rather than increased model complexity. Our findings demonstrate that STRIKE is a stable, scalable, and interpretable framework for credit risk default prediction tasks.
• Abstract（参考訳）: 信用リスクのデフォルト予測は、金融業界におけるリスク管理の基盤となっている。 このタスクは、借り手が債務義務を履行できない可能性、決定の融資、ポートフォリオの最適化、規制の遵守に不可欠な目的を見積もることを含む。 ロジスティック回帰や木に基づくアンサンブルといった伝統的な機械学習モデルは、解釈可能性と強力な経験的性能のために広く採用されている。 しかし、現代の信用データセットは高次元で異質でノイズが多く、モノリシックモデルでは過度に適合するリスクが増加し、分散シフトによるロバスト性が低下する。 本稿では,構造化表型信用リスクデータを対象とした機能グループ対応のスタックリングフレームワークSTRIKE(Stacking via Targeted Representations of Isolated Knowledge Extractors)を紹介する。 STRIKEは、完全なデータセット上で単一のモノリシックモデルをトレーニングするのではなく、特徴空間を意味的に一貫性のあるグループに分割し、各グループ内で独立した学習者を訓練する。 この分解は、異なる特徴源が構造化アグリゲーションを通じて組み合わせられる相補的な証拠に寄与するリスクモデリングに関する追加的な視点によって動機付けられている。 結果として生じるグループ固有の予測は,堅牢性とモジュール性を維持しながら信号を集約するメタリアナを通じて統合される。 企業破産と消費者融資のシナリオにまたがる実世界の3つのデータセット上でSTRIKEを評価した。 すべての設定において、STRIKEはAUC-ROCの点で、強い木ベースのベースラインと従来の積み重ねアプローチを一貫して上回っている。 アブレーション研究により、性能向上はモデル複雑性を増大させるよりも有意義な特徴分解に起因することが確認された。 その結果,STRIKEは信用リスクの既定予測タスクのための安定的でスケーラブルで解釈可能なフレームワークであることがわかった。

関連論文リスト

• Hierarchical Contrastive Learning for Multimodal Data [3.1788482285024107]
  階層的コントラスト学習(Hierarchical Contrastive Learning)は、グローバルに共有され、部分的に共有され、モダリティ固有の表現を学習するフレームワークである。 マルチモーダルな電子健康記録では、HCLはより情報的な表現をもたらし、常に予測性能を改善する。
  論文  参考訳（メタデータ） (2026-04-07T05:53:04Z)
• Schema-Aware Planning and Hybrid Knowledge Toolset for Reliable Knowledge Graph Triple Verification [31.263531484583805]
  知識グラフ(KG)はAIシステムの重要な基盤として機能するが、自動化された構築は必然的にノイズを導入し、データの信頼性を損なう。 グラフ埋め込みや言語モデルに基づく既存の三重検証手法は、内部構造的制約や外部意味的証拠に依存することにより、単一ソースバイアスに悩まされることが多い。 本研究では,戦略的計画,積極的調査,明確推論のプロセスとして三重検証を再構築する,訓練不要の自律エージェントであるSHARPを提案する。
  論文  参考訳（メタデータ） (2026-04-05T17:10:18Z)
• Transfer Learning for Loan Recovery Prediction under Distribution Shifts with Heterogeneous Feature Spaces [7.515283162165111]
  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。
  論文  参考訳（メタデータ） (2026-04-03T07:54:49Z)
• An Optimised Greedy-Weighted Ensemble Framework for Financial Loan Default Prediction [0.8941624592392746]
  本研究では,ローンデフォルト予測のための最適化グレディウェイト・アンサンブル・フレームワークを提案する。 提案フレームワークは,経験的予測性能に基づいてモデル重み付けを動的に割り当てる。 クレジットアセスメント、リスク監視、財務上の意思決定をサポートする、スケーラブルなデータ駆動型アプローチを提供する。
  論文  参考訳（メタデータ） (2026-03-19T14:04:37Z)
• Mitigating Reward Hacking in RLHF via Bayesian Non-negative Reward Modeling [49.41422138354821]
  非負の因子分析をBradley-Terry選好モデルに統合する原理的報酬モデリングフレームワークを提案する。 BNRMは、スパースで非負の潜在因子生成過程を通じて報酬を表す。 BNRMは報酬の過度な最適化を著しく軽減し、分布シフトによるロバスト性を改善し、強いベースラインよりも解釈可能な報酬分解をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-02-11T08:14:11Z)
• Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
  実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。 単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。 LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-20T04:11:44Z)
• Enhancing Credit Risk Prediction: A Meta-Learning Framework Integrating Baseline Models, LASSO, and ECOC for Superior Accuracy [7.254744067646655]
  本研究では,複数の相補的モデルを合成する包括的メタラーニングフレームワークを提案する。 我々は,全ての構成モデルにまたがる予測クラスに対して,置換特徴重要度分析を実装した。 その結果,我々の枠組みは,財務組織分類の精度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） (2025-09-26T14:09:04Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• Clustering Effect of (Linearized) Adversarial Robust Models [60.25668525218051]
  本稿では, 敵の強靭性に対する新たな理解を提案し, ドメイン適応や頑健性向上といったタスクに適用する。 提案したクラスタリング戦略の合理性と優越性を実験的に評価した。
  論文  参考訳（メタデータ） (2021-11-25T05:51:03Z)

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。