論文の概要: α-Fair Insurance Pricing: A Fairness Continuum

• arxiv url: http://arxiv.org/abs/2606.14898v1
• Date: Fri, 12 Jun 2026 19:05:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.44649
• Title: α-Fair Insurance Pricing: A Fairness Continuum
• Title（参考訳）: α-Fair Insurance Pricing: A Fairness Continuum
• Authors: Tianhe Zhang, Xiguang Liu, Peng Shi,
• Abstract要約: 保険価格の公正性は、長い間、深く議論されてきたパズルだ。 我々は、保険料を請求するための$$-textbfFair textbfIndividual textbfSolvent textbfPremium($-FISP)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 9.531754248649962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness in insurance pricing remains a long-standing and deeply debated puzzle. On one hand, insurers, driven by profitability considerations, set premiums that differentiate across individual risks to achieve actuarial fairness. On the other hand, insurance serves a critical societal function by pooling risks across a population, motivating cross-subsidization among groups to promote solidarity fairness. The tension between these two competing notions of fairness makes insurance pricing inherently complex, particularly in modern settings where granular data allow for increasingly fine risk differentiation and regulators face growing pressure to protect vulnerable groups. To address this challenge, we propose an $α$-\textbf{F}air \textbf{I}ndividual \textbf{S}olvent \textbf{P}remium ($α$-FISP) framework for insurance pricing that explicitly captures the trade-off between actuarial and solidarity fairness while guaranteeing solvency, a fundamental requirement in insurance operations. We formulate the pricing problem as a constrained optimization task, where actuarially fair premiums are adjusted subject to budget constraints on cross-subsidization within each risk class. This formulation naturally yields a family of solutions parameterized by $α$, tracing a continuum between purely actuarial and purely solidarity-based pricing and enabling decision-makers to select an operating point along this fairness spectrum. We derive theoretical guarantees for the proposed framework. Numerical experiments show that $α$-FISP is computationally tractable and aligns well with the U.S. regulatory regimes featuring heterogeneous state-level fairness requirements.
• Abstract（参考訳）: 保険価格の公正性は、長い間、深く議論されてきたパズルだ。 一方、利益性を考慮した保険業者は、アクチュアリの公正性を達成するために個人リスクを区別するプレミアムを設定している。 一方、保険は、集団間でリスクをプールし、集団間の相互助成を動機付け、連帯公正を促進することにより、重要な社会機能として機能する。 この2つの競合する公正性の概念の緊張は、保険料の価格を本質的に複雑にしている。 この課題に対処するために、保険価格の基本的な要件である解決性を確保しつつ、アクチュアリと連帯公正のトレードオフを明示的に捉えるための、$α$-\textbf{F}air \textbf{I}ndividual \textbf{S}olvent \textbf{P}remium(α$-FISP)フレームワークを提案する。 価格問題を制約付き最適化タスクとして定式化し、各リスククラス内でのクロス・サブシダイズに関する予算制約により、アクタリカル・フェア・プレミアムが調整される。 この定式化は自然に$α$でパラメタ化され、純粋にアクチュエータと純粋にソナリティに基づく価格の連続性をトレースし、意思決定者がこのフェアネススペクトルに沿った操作点を選択することを可能にする。 提案フレームワークの理論的保証を導出する。 数値実験により、$α$-FISPは計算可能であり、不均一な州レベルの公正性要件を特徴とするアメリカ合衆国の規制体制とよく一致していることが示された。

関連論文リスト

• Post-hoc Provider Fairness Adaptation via Hierarchical Exposure Alignment [54.58748721533078]
  ポストホックフェアネス適応(Post-hoc Fairness Adaptation, PFA)は、フリーズレコメンデータにフェアネスアダプタを装備する軽量フレームワークである。 ユーザアイコンの埋め込みから、フェアネスに対するステアプロバイダの露出まで、パーソナライズされた加算点調整を学習する。 PFAは無視できる精度の損失を伴ってかなりの公平性を達成し、一貫して強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-05-02T16:32:52Z)
• Improved High-probability Convergence Guarantees of Decentralized SGD [74.39742894097348]
  平均二乗誤差(MSE)と同じ条件下で,$mathttDSGD$がHPに収束することを示す。 改良された分析によりユーザ数が線形アップし,$mathttDSGD$がHPの意味で性能を維持していることを示す。
  論文  参考訳（メタデータ） (2025-10-07T17:15:08Z)
• Discrimination-free Insurance Pricing with Privatized Sensitive Attributes [13.511945406946602]
  保険は、この点において注目に値する分野の1つである。 確立された概念に従って公正を達成することは、保険の公正な価格を自動的に保証するものではない。 本稿では,保険ドメインに適した公正なモデルを構築するための効率的な方法を提案する。
  論文  参考訳（メタデータ） (2025-04-16T05:29:11Z)
• Measuring and Mitigating Biases in Motor Insurance Pricing [1.2289361708127877]
  非生命保険部門は高度に競争力があり厳格に規制された枠組みで運営されている。 年齢ベースのプレミアムフェアネスは、特定の保険ドメインにも義務付けられている。 ある保険領域では、重篤な疾患や障害の存在などの変数が、公正性を評価するための新しい次元として現れている。
  論文  参考訳（メタデータ） (2023-11-20T16:34:48Z)
• Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
  我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。 本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T21:19:59Z)
• Proportional Fairness in Obnoxious Facility Location [70.64736616610202]
  この問題に対して,距離に基づく比例フェアネスの概念の階層構造を提案する。 決定論的かつランダムなメカニズムを考察し、比例フェアネスの価格に関する厳密な境界を計算する。 モデルの拡張が2つあることを示す。
  論文  参考訳（メタデータ） (2023-01-11T07:30:35Z)
• Online Learning with Knapsacks: the Best of Both Worlds [54.28273783164608]
  オンライン学習の課題として,意思決定者が,リソース制約の有限セットに違反することなく,期待する報酬を最大化したい,という課題を提起する。 当社のフレームワークは,意思決定者がそのエビデンスを柔軟かつコスト論的に扱えるようにします。
  論文  参考訳（メタデータ） (2022-02-28T12:10:48Z)
• Planning to Fairly Allocate: Probabilistic Fairness in the Restless Bandit Setting [30.120134596715154]
  ProbFairは、予想される全報酬を最大化し、予算制約を満たす確率的に公正な政策である。 本研究は,CPAP(Continuous positive airway pressure, CPAP)治療への介入を支援する実世界での応用について検討した。
  論文  参考訳（メタデータ） (2021-06-14T18:01:08Z)

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。