論文の概要: LSTM-Based Detection of Structural Breaks in Property Insurance Loss Reserving: A Climate-Informed Approach

• arxiv url: http://arxiv.org/abs/2606.11463v1
• Date: Tue, 09 Jun 2026 21:35:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.186342
• Title: LSTM-Based Detection of Structural Breaks in Property Insurance Loss Reserving: A Climate-Informed Approach
• Title（参考訳）: LSTMによる不動産保険の損壊の検知:気候インフォームドアプローチ
• Authors: Thomas Mbrice, Shashwat Panigrahi,
• Abstract要約: 我々は、Long Short Term Memory(LSTM)ニューラルネットワークが、Chain Ladder、Binhuetter Ferguson、Cape Codメソッドよりも早く、より正確に、気候駆動の災害を検知し、適応できるかどうかをテストする。 本研究では,LSTM構造破壊検出を確率論的に基礎とした理論的枠組みを構築し,テスト期間中の災害事象の限られた回数を補う形式的な性能保証を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate loss reserving is foundational to insurer solvency, yet accelerating climate driven catastrophes systematically violate the stability assumptions on which traditional actuarial methods depend. This white paper presents a research program testing whether Long Short Term Memory (LSTM) neural networks can detect and adapt to these structural breaks faster and more accurately than Chain Ladder, Bornhuetter Ferguson, and Cape Cod methods. Using 15 plus years of regulatory development triangle data from Florida and Louisiana, enriched with NOAA hurricane intensity indices and sea surface temperatures, we hypothesize a targeted improvement of 15, 20% in reserve accuracy for catastrophe exposed years, a threshold grounded both in the prior neural network reserving literature and in the formal convergence results developed here. Beyond empirical validation, we develop a theoretical framework grounding LSTM structural break detection in probabilistic terms, providing formal performance guarantees that compensate for the limited number of catastrophe events in the test period. We document the research design, methodology, expected contributions, and a candid assessment of limitations.
• Abstract（参考訳）: 正確な損失の保存は、解決力の保証に基礎を置いているが、気候による災害の加速は、従来のアクチュエーター法が依存する安定性の仮定に体系的に違反する。 本稿では,Long Short Term Memory (LSTM) ニューラルネットワークがChain Ladder, Bornhuetter Ferguson, Cape Cod法よりも高速かつ正確にこれらの構造的破壊を検出・適応できるかどうかを検証した研究プログラムを提案する。 フロリダ州とルイジアナ州からの15年以上にわたる規制開発三角形データを用いて、NOAAハリケーン強度指数と海面温度を豊かにし、災害時暴露年数に対する予備精度が15, 20%向上したと仮定した。 実験的な検証の他に、LSTM構造破壊検出を確率論的に基礎とした理論的枠組みを開発し、テスト期間中の災害イベントの限られた回数を補う形式的な性能保証を提供する。 研究設計、方法論、期待された貢献、および限界の率直な評価を文書化する。

関連論文リスト

• Hierarchical Forecast Reconciliation for Urban Rail Transit Demand Prediction under Operational Disruptions [4.330506300153804]
  本稿では,共同ステーションレベルおよびODレベルのURT需要予測のための最初の階層的予測調整フレームワークを提案する。 ニューラルネットワークのFully Connected Reconcilerは、非コヒーレントベース予測からコヒーレント階層的予測への非線形マッピングを学習する。 その結果,和解は階層的コヒーレンスを確保しつつ,OD予測精度を常に向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-05T08:41:18Z)
• Uncertainty-Aware Deep Learning Framework for Remaining Useful Life Prediction in Turbofan Engines with Learned Aleatoric Uncertainty [0.0]
  本研究は,確率論的モデリングにより,アレータリックな不確実性を直接学習する,新しい不確実性を考慮したディープラーニングフレームワークを提案する。 本フレームワークは,RMSEが5.14,6.89,5.27,7.16で,ブレークスルークリティカルゾーン性能(RUL=30サイクル)を達成する。 学習された不確実性は95パーセントの信頼区間を提供し、カバー範囲は93.5パーセントから95.2%までであり、リスク対応のメンテナンススケジュールを可能にしている。
  論文  参考訳（メタデータ） (2025-11-24T13:53:31Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Federated Learning with Anomaly Detection via Gradient and Reconstruction Analysis [2.28438857884398]
  自動エンコーダ駆動のデータ再構成と勾配解析を相乗化して、前例のない精度で有毒データを検出・緩和する新しいフレームワークを提案する。 本手法は, 最小偽陽性率を維持しつつ, 異常検出精度を15%向上させる。 私たちの仕事は、分散学習のセキュリティにおける将来の進歩の道を開くものです。
  論文  参考訳（メタデータ） (2024-03-15T03:54:45Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Learning Inter-Annual Flood Loss Risk Models From Historical Flood Insurance Claims and Extreme Rainfall Data [0.0]
  洪水は最も壊滅的な自然災害の1つであり、実質的な経済的損失の原因となっている。 本研究は,国立洪水保険プログラムデータセット上に構築されたレジストレーターの予測能力を評価する。
  論文  参考訳（メタデータ） (2022-12-15T19:23:02Z)
• Incorporating Expert Guidance in Epidemic Forecasting [79.91855362871496]
  AIセーフティによるセルドニアン最適化フレームワークを活用した新しいアプローチを提案します。 円滑性と誤りの地域整合性という2種類のガイダンスについて検討する。 その定式化に成功することにより、望ましくない行動が起こる確率を拘束できるだけでなく、テストデータのRMSEを最大17%削減することができることを示しています。
  論文  参考訳（メタデータ） (2020-12-24T06:21:53Z)
• Being Bayesian, Even Just a Bit, Fixes Overconfidence in ReLU Networks [65.24701908364383]
  我々は、ReLUネットワーク上の不確実性に対する十分条件が「少しベイズ校正される」ことを示す。 さらに,これらの知見を,共通深部ReLUネットワークとLaplace近似を用いた各種標準実験により実証的に検証した。
  論文  参考訳（メタデータ） (2020-02-24T08:52:06Z)

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。