論文の概要: Is TabPFN the Silver Bullet for Insurance Pricing?

• arxiv url: http://arxiv.org/abs/2605.22892v2
• Date: Mon, 25 May 2026 06:27:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 16:32:38.042684
• Title: Is TabPFN the Silver Bullet for Insurance Pricing?
• Title（参考訳）: TabPFNは保険価格の銀塊か?
• Abstract要約: タブラル基礎モデル(TFM)は基本的に異なる推論パラダイムを示す。 大量の合成データセットを事前学習することにより、TFMはコンテキスト内学習を通じて新しいデータに対する推論を可能にする。 本稿では,自動車保険価格に対するTabPFNの実証評価について述べる。
• 参考スコア（独自算出の注目度）: 4.5497948012757865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modelling claim frequency and severity for non-life insurance pricing predominantly relies on generalised linear models, with gradient-boosted machines as the leading machine learning alternative. Tabular foundation models (TFMs) present a fundamentally different inference paradigm. By pre-training on large collections of synthetic datasets, TFMs enable inference on new data through in-context learning, without any dataset-specific fitting or hyperparameter tuning. This paper presents a first empirical evaluation of TabPFN for motor insurance pricing, benchmarking it against GLM and XGBoost on two publicly available MTPL datasets. Our results show that TabPFN does not consistently outperform established baselines, exhibits substantially longer inference times, and is sensitive to the size of the in-context training set. While tabular foundation models represent a promising direction, particularly in data-scarce settings, their current performance does not offer a viable replacement for established actuarial methods.
• Abstract（参考訳）: 非生命保険価格のクレーム頻度と重大度をモデル化することは、主に一般化された線形モデルに依存しており、グラデーションブーストマシンが機械学習に代わる主要な選択肢である。 タブラル基礎モデル(TFM)は基本的に異なる推論パラダイムを示す。 大量の合成データセットのコレクションを事前トレーニングすることにより、データセット固有のフィッティングやハイパーパラメータチューニングを必要とせずに、コンテキスト内学習を通じて新しいデータに対する推論が可能になる。 本稿では,モーター保険価格に対するTabPFNの初回評価を行い,GLMとXGBoostを2つの公開MTPLデータセット上でベンチマークした。 以上の結果から,TabPFNは確立されたベースラインを一貫して上回り,推論時間を大幅に長くし,文脈内トレーニングセットのサイズに敏感であることがわかった。 表形式の基礎モデルは、特にデータスカース設定では有望な方向を示すが、現在のパフォーマンスでは、確立されたアクタリカルメソッドの代替として実行可能なものを提供していない。

関連論文リスト

• Beyond IID: How General Are Tabular Foundation Models, Really? [76.03669797389378]
  研究コミュニティは、多様なデータセットやタスクに関する基礎モデルをますます評価している。 標準ベンチマークは主に、表形式の基礎モデルがすでに優れているタスクのために定義されている。 BeyondArenaは、グラフデータのための最初の統一された総合的なベンチマークである。
  論文  参考訳（メタデータ） (2026-06-29T14:55:52Z)
• Causal Pre-training Under the Fairness Lens: An Empirical Study of TabPFN [3.059960033014892]
  Tabular Prior-data Fitted Network (TabPFN) とその微調整版の評価を行った。 以上の結果から,TabPFNはベースラインに比べて高い予測精度を達成できるが,公平性の改善は適度で矛盾することがわかった。 以上の結果から,TabPFNの因果前訓練はアルゴリズム的公平性には不十分であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-25T17:17:12Z)
• Robust Tabular Foundation Models [0.7539295827164078]
  重要な発見は、TFMは完全に合成データセット上で事前訓練可能であることである。 TFM性能と最高の達成可能な性能の差から得られる最適性ギャップ尺度を導入する。 これらの結果は、合成データのみを用いて、ターゲットとなる敵の訓練とTFMの微調整のための有望な新しいデータセットを浮き彫りにした。
  論文  参考訳（メタデータ） (2025-12-02T23:40:39Z)
• Mitra: Mixed Synthetic Priors for Enhancing Tabular Foundation Models [85.64873567417396]
  実世界のデータに対して,その多様性,特異性,および性能のために選択された合成前駆体の硬化した混合物をトレーニングしたTFMであるMitraを紹介する。 Mitraは、TabPFNv2やTabICLのような最先端のTFMを、分類と回帰のベンチマークで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-10-24T07:15:06Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• Uncertainty-Aware Tabular Prediction: Evaluating VBLL-Enhanced TabPFN in Safety-Critical Medical Data [0.0]
  我々は最近提案したTabPFNと統合されたVBLLの性能を不確実性校正で評価した。 3つのベンチマーク・メディカル・データセットを用いて実験を行い、TabPFNとVBLL統合版の性能を比較した。
  論文  参考訳（メタデータ） (2025-09-12T08:24:19Z)
• xRFM: Accurate, scalable, and interpretable feature learning models for tabular data [20.626069512520587]
  本研究では,特徴学習カーネルマシンを木構造と組み合わせ,データの局所構造に適応させるアルゴリズムであるxRFMを紹介する。 我々は、xRFMが100ドルの回帰データセットで最高のパフォーマンスを達成し、200ドルの分類データセットで最高のメソッドと競合することを示した。
  論文  参考訳（メタデータ） (2025-08-12T18:08:04Z)
• A Closer Look at TabPFN v2: Understanding Its Strengths and Extending Its Capabilities [51.08999772842298]
  Tabular Prior-data Fitted Network v2 (TabPFN v2)は、さまざまな下流データセット間で、前例のないコンテキスト内学習性能を達成する。 本研究では,TabPFN v2が属性トークンをランダムに入力しても属性関係を推測可能であることを示す。 我々はTabPFN v2の制限がテスト時間分割・コンテキスト戦略によって対処できることを実証した。
  論文  参考訳（メタデータ） (2025-02-24T17:38:42Z)
• Zero-shot Meta-learning for Tabular Prediction Tasks with Adversarially Pre-trained Transformer [2.1677183904102257]
  本稿では、実世界のデータセットを事前学習することなく、表形式の予測タスクでゼロショットメタ学習を行うことのできるAdversarially Pre-trained Transformer(APT)を提案する。 APTは、異なる合成データセットで意図的にモデルに挑戦する敵対的な合成データエージェントで事前訓練されている。 筆者らのフレームワークは,データセットの特徴をフィルタリングすることなく,小さな分類タスクにおける最先端のパフォーマンスと一致していることを示す。
  論文  参考訳（メタデータ） (2025-02-06T23:58:11Z)
• Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
  既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。 負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
  論文  参考訳（メタデータ） (2024-05-31T14:21:04Z)
• TuneTables: Context Optimization for Scalable Prior-Data Fitted Networks [90.00817095558094]
  事前データ対応ネットワーク(PFN)は、事前学習とコンテキスト内学習を利用して、1つのフォワードパスで新しいタスクの強力なパフォーマンスを実現する。 我々は、大規模なデータセットをより小さな学習コンテキストに圧縮するPFNのパラメータ効率の良い微調整戦略であるTuneTablesを紹介した。 我々は、TuneTablesを解釈可能性ツールとして使用することができ、公平性目標を最適化することでバイアスを軽減することができることを示した。
  論文  参考訳（メタデータ） (2024-02-17T00:02:23Z)
• Rethinking Pre-Training in Tabular Data: A Neighborhood Embedding Perspective [71.45945607871715]
  メタ表現(TabPTM)を用いたタブラルデータ事前学習を提案する。 中心となる考え方は、データインスタンスを共有機能空間に埋め込むことで、各インスタンスは、近隣の固定数とそのラベルまでの距離で表現される。 101データセットの大規模な実験は、微調整の有無にかかわらず、分類タスクと回帰タスクの両方においてTabPTMの有効性を確認した。
  論文  参考訳（メタデータ） (2023-10-31T18:03:54Z)
• Revisiting Class-Incremental Learning with Pre-Trained Models: Generalizability and Adaptivity are All You Need [84.3507610522086]
  クラスインクリメンタルラーニング(Class-incremental Learning, CIL)は、古いクラスを忘れずに新しいクラスに適応することを目的としている。 近年の事前訓練は大きな進歩を遂げており、CILには膨大な事前訓練モデル(PTM)が利用できるようになった。 CILの中核となる要素は、モデル更新の適応性と知識伝達の一般化性である。
  論文  参考訳（メタデータ） (2023-03-13T17:59:02Z)

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。