論文の概要: Bankruptcy Prediction via Hybrid Resampling and Stacking Ensemble Techniques with Explainable Artificial Intelligence (XAI)-Driven Analysis

• arxiv url: http://arxiv.org/abs/2608.20343v1
• Date: Sat, 13 Jun 2026 01:45:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.272059
• Title: Bankruptcy Prediction via Hybrid Resampling and Stacking Ensemble Techniques with Explainable Artificial Intelligence (XAI)-Driven Analysis
• Title（参考訳）: 説明可能な人工知能(XAI)駆動分析を用いたハイブリッドリサンプリングおよびスタックングアンサンブル手法による破産予測
• Abstract要約: 本研究では,コンセンサスに基づく特徴選択,ハイブリッドリサンプリング,積み重ねアンサンブル,説明可能な人工知能を統合した倒産予測フレームワークを開発し,評価する。 その結果,SMOTE-ENNはより強力なマイノリティクラス検出を実現したのに対し,再サンプリング戦略は物質的形状のモデル行動を示した。 これらの発見は、経済的に苦しむ企業にとって、より信頼性が高く理解しやすい早期警戒システムを支援する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study develops and evaluates a bankruptcy prediction framework that integrates consensus-based feature selection, hybrid resampling, stacking ensembles, and explainable artificial intelligence to improve minority-class detection in severely imbalanced financial data. Using the Taiwanese Bankruptcy Prediction dataset from the UCI Machine Learning Repository, five feature-selection algorithms were first applied, and a consensus retention rule reduced the input space to 23 robust variables. The balanced training data were then generated using SVM-SMOTE, SMOTE-Tomek, and SMOTE-ENN. Five ensemble machine learning classifiers, namely gradient boosting, extreme gradient boosting, histogram-based gradient boosting, LightGBM, and AdaBoost, were compared with five deep learning models, including RNN, LSTM, GRU, DNN, and MLP. In addition, hybrid stacking ensembles combined the five machine learning classifiers as base learners with each deep learning model as a meta-learner. Model performance was assessed using accuracy, recall, specificity, G-mean, and ROC-AUC, while SHAP was used to explain feature contributions. The results show that resampling strategy materially shaped model behavior. SVM-SMOTE and SMOTE-Tomek favored accuracy and specificity, whereas SMOTE-ENN delivered stronger minority-class detection. Among standalone models, the GRU with SMOTE-ENN achieved the best overall predictive balance, with recall of 0.8627, G-mean of 0.8517, and ROC-AUC of 0.9431. Among stacking ensembles, SMOTE-ENN with (GB+XGB+HGB+LGBM+AB)+LSTM provided the strongest compromise between sensitivity and specificity. SHAP analysis identified leverage, profitability, solvency, and operational efficiency indicators as the most influential predictors of bankruptcy risk. These findings support more reliable and interpretable early warning systems for financially distressed firms.
• Abstract（参考訳）: 本研究は, コンセンサスに基づく特徴選択, ハイブリッド再サンプリング, アンサンブルの積み重ね, 説明可能な人工知能を統合した破産予測フレームワークを開発し, 評価する。 UCI Machine Learning Repositoryの台湾の破産予測データセットを用いて、5つの特徴選択アルゴリズムを最初に適用し、コンセンサス保持規則により入力空間を23変数に短縮した。 次に、SVM-SMOTE、SMOTE-Tomek、SMOTE-ENNを用いてバランスの取れたトレーニングデータを生成する。 RNN,LSTM,GRU,DNN,MLPの5種類のディープラーニングモデルと比較した。 さらに、ハイブリッドなスタックングアンサンブルは、5つの機械学習分類器をベースラーナーとして組み合わせ、各ディープラーニングモデルをメタラーナーとして組み合わせた。 モデル性能は精度,リコール,特異性,G-mean,ROC-AUCを用いて評価され,SHAPは特徴的寄与を説明するのに用いられた。 その結果,再サンプリング戦略は物質的形状のモデル挙動を示した。 SVM-SMOTEとSMOTE-Tomekは精度と特異性を好んだが、SMOTE-ENNはより強力なマイノリティクラス検出を実現した。 スタンドアローンモデルの中では、SMOTE-ENNを搭載したGRUは0.8627、G平均0.8517、ROC-AUC0.9431の総合的な予測バランスを達成した。 SMOTE-ENN with (GB+XGB+HGB+LGBM+AB)+LSTMは感度と特異性の間に最も強い妥協をもたらした。 SHAP分析では、倒産リスクの最も影響力のある予測要因としてレバレッジ、収益性、解決性、運用効率の指標が特定された。 これらの発見は、経済的に苦しむ企業にとって、より信頼性が高く理解しやすい早期警戒システムを支援する。

関連論文リスト

• Rel-MOSS: Towards Imbalanced Relational Deep Learning on Relational Databases [66.24230877709756]
  リレーショナルディープラーニング(RDL)は、リレーショナルデータベース(RDB)を異種エンティティグラフとして構成するために提案される。 既存のRDL手法は、RDBにおける関係データの不均衡問題を無視し、少数民族を過小評価するリスクを負う。 本研究では,RDBエンティティ分類におけるクラス不均衡問題を初めて検討し,関係中心型マイノリティー合成オーバーサンプリングGNNを設計する。
  論文  参考訳（メタデータ） (2026-03-09T03:18:26Z)
• Hybrid Ensemble Method for Detecting Cyber-Attacks in Water Distribution Systems Using the BATADAL Dataset [1.4975436239088316]
  配水システムにおけるサイバー攻撃の検出能力を向上するハイブリッドアンサンブル学習モデルを検討する。 提案フレームワークは, 時間依存型産業システムにおいて, サイバー攻撃検出のための堅牢でスケーラブルなソリューションを確立する。
  論文  参考訳（メタデータ） (2025-12-16T14:07:22Z)
• Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
  本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。 定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。 提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
  論文  参考訳（メタデータ） (2025-05-18T21:46:45Z)
• Electroencephalogram Emotion Recognition via AUC Maximization [0.0]
  不均衡データセットは神経科学、認知科学、医学診断などの分野で大きな課題を提起する。 本研究は,DEAPデータセットにおけるライキングラベルを例として,イシュークラスの不均衡に対処する。
  論文  参考訳（メタデータ） (2024-08-16T19:08:27Z)
• MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
  MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。 MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。 CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
  論文  参考訳（メタデータ） (2024-02-03T21:12:36Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Sparse MoEs meet Efficient Ensembles [49.313497379189315]
  このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。 Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
  論文  参考訳（メタデータ） (2021-10-07T11:58:35Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)

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。