論文の概要: DTD-VAE: Disentangled Temporal Dependencies VAE for Credit Risk Prediction
- arxiv url: http://arxiv.org/abs/2608.26473v2
- Date: Mon, 31 Aug 2026 00:01:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 15:47:04.209152
- Title: DTD-VAE: Disentangled Temporal Dependencies VAE for Credit Risk Prediction
- Title（参考訳）: DTD-VAE:信用リスク予測のための短絡型時間依存型VAE
- Authors: Xiaobo Guo, Lu-an Dong, Yanbo Wang, Peng Zhang, Cai Zhi, Youru Li,
- Abstract要約: 時間依存性変動自動エンコーダ(DTD-VAE)について紹介する。
時間的依存を解消し、過去の顧客の好みと信用リスクに関連する特徴を区別するように設計されている。
ROC-AUCは3.2%-4.86%、精度比は6.41%-9.71%である。
- 参考スコア（独自算出の注目度）: 12.699895244790246
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluating customer creditworthiness is crucial for retail banking operations, as it impacts marketing strategies, customer relationship management, and credit risk control. Traditional methods often struggle to capture complex temporal dependencies and extract pertinent information from customer data, crucial for accurate risk assessment. Specifically, they fail to differentiate between temporal patterns indicative of credit risk and those reflecting general customer behavior or preferences, leading to suboptimal risk predictions. In this study, we introduce the Disentangled Temporal Dependencies Variational Autoencoder (DTD-VAE), an advancement over conventional VAE, designed to disentangle temporal dependencies and distinguish credit risk-related features from past customer preferences. The feature inference module of the DTD-VAE incorporates an autoregressive temporal dependency learning mechanism that adeptly captures the temporal dependencies among latent variables, enriching the model's comprehension of the inherent data structure. Furthermore, the feature generative module utilizes an element-wise gating mechanism that assigns independent weights to each dimension of the expert models, enabling a finer-grained disentanglement of latent variables, particularly those relevant to credit risk prediction. Extensive experiments on six real-world datasets demonstrate that the proposed framework consistently outperforms existing methods, achieving performance gains of 3.2%-4.86% in ROC-AUC and 6.41%-9.71% in Accuracy Ratio.
- Abstract（参考訳）: 顧客の信用度を評価することは、マーケティング戦略、顧客関係管理、信用リスク管理に影響を及ぼすため、小売銀行業務にとって不可欠である。
従来の手法では、複雑な時間的依存関係を捕捉し、顧客データから関連する情報を抽出することがしばしば困難であり、正確なリスク評価に不可欠である。
具体的には、信用リスクを示す時間的パターンと、一般的な顧客の行動や嗜好を反映しているパターンを区別できず、最適以下のリスク予測につながります。
本研究では,時間的依存を解消し,過去の顧客の嗜好と信用リスク関連の特徴を区別することを目的とした,従来のVAEの進歩であるDTD-VAE(Disentangled TemporalDependency Variational Autoencoder)を紹介する。
DTD-VAEの機能推論モジュールには自己回帰的時間依存性学習機構が組み込まれており、潜在変数間の時間依存性を順応的にキャプチャし、モデル固有のデータ構造に対する理解を深めている。
さらに、特徴生成モジュールは、専門家モデルの各次元に独立した重みを割り当てる要素ワイズゲーティング機構を利用して、潜伏変数、特に信用リスク予測に関連する変数のよりきめ細やかな乱れを可能にする。
6つの実世界のデータセットに対する大規模な実験により、提案されたフレームワークは既存の手法を一貫して上回り、ROC-AUCでは3.2%-4.86%、精度比では6.41%-9.71%のパフォーマンス向上を達成した。
関連論文リスト
- A Rolling-Window Framework for Churn Prediction and Behavioral Driver Identification [0.9449650062296823]
本研究では,転がり挙動ウィンドウを用いた顧客行動のモデル化を行う,時間的に明示的なチャーン予測フレームワークを提案する。
このフレームワークは、機能ベースとシーケンスベースの学習アプローチを統合時間設計に統合する。
実験結果から, 精度は87.6%, ROC-AUCは0.94に向上した。
論文 参考訳（メタデータ） (2026-06-04T23:38:43Z) - Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳（メタデータ） (2026-05-28T13:26:53Z) - Enhancing a Risk Model by Adding Transient Statistical Factors [90.40844650665713]
資産収益の推定は、金融ポートフォリオの構築と評価の鍵となる要素である。
既存の因子モデルを強化するために,最大推定値に基づく体系的手法を提案する。
提案した拡張は,元のモデルに欠落したリターンの構造をキャプチャすることを示す。
論文 参考訳（メタデータ） (2026-05-13T04:15:24Z) - Temporal-Aligned Meta-Learning for Risk Management: A Stacking Approach for Multi-Source Credit Scoring [0.0]
本稿では,イタリア中小企業の信用リスク評価のためのメタラーニングフレームワークを提案する。
このアプローチは、ファイナンシャルステートメント参照日時と評価日時を一致させ、発行遅延と非同期データソースから生じるバイアスを軽減する。
経験的検証は、このフレームワークが時間とともに信用リスクの進化を効果的に捉え、標準アンサンブル法に対する時間的一貫性と予測安定性を改善していることを示している。
論文 参考訳（メタデータ） (2026-01-12T14:36:54Z) - Stragglers Can Contribute More: Uncertainty-Aware Distillation for Asynchronous Federated Learning [61.249748418757946]
Asynchronous Federated Learning (FL)は、その効率性とスケーラビリティの向上に注目されている。
我々は,不確実性を考慮した蒸留を組み込んだ新しいフレームワークであるFedEchoを提案し,非同期FL性能を向上する。
FedEchoが既存の非同期フェデレーション学習ベースラインを一貫して上回っていることを実証する。
論文 参考訳（メタデータ） (2025-11-25T06:25:25Z) - Explainability, risk modeling, and segmentation based customer churn analytics for personalized retention in e-commerce [0.0]
本研究は、特徴貢献を定量化するための説明可能なAIを統合した3成分フレームワーク、時間と時間の間のチャーンリスクのモデルへの生存分析、取引行動による顧客分割のためのRAMプロファイリングを推進した。
これらの手法を組み合わせることで、チャーンドライバの帰属、介入窓の推定、ターゲットアクションのセグメントの優先順位付けが可能となり、顧客の信頼度を低下させる戦略を支援することができる。
論文 参考訳（メタデータ） (2025-10-13T16:44:24Z) - Aurora: Are Android Malware Classifiers Reliable and Stable under Distribution Shift? [51.12297424766236]
AURORAは、その信頼性と運用上のレジリエンスに基づいて、マルウェア分類器を評価するためのフレームワークである。
AURORAは、ポイント・イン・タイムのパフォーマンスを超えるように設計されたメトリクスのセットによって補完される。
さまざまなドリフトのデータセットにわたるSOTAフレームワークの脆弱性は、ホワイトボードへの復帰の必要性を示唆している。
論文 参考訳（メタデータ） (2025-05-28T20:22:43Z) - Divide-Then-Align: Honest Alignment based on the Knowledge Boundary of RAG [51.120170062795566]
本稿では,問合せが知識境界外にある場合の"I don't know"で応答する機能を備えたRAGシステムを実現するためのDTAを提案する。
DTAは適切な棄権と精度のバランスをとり、検索強化システムの信頼性と信頼性を高める。
論文 参考訳（メタデータ） (2025-05-27T08:21:21Z) - A Spatio-Temporal Machine Learning Model for Mortgage Credit Risk: Default Probabilities and Loan Portfolios [11.141688859736805]
本稿では,木ブースティングと遅延時間プロセスモデルとガウスプロセスモデルを組み合わせることで,信用リスクの機械学習モデルを提案する。
個人ローンに対する予測的デフォルト確率と予測的ローンポートフォリオ損失分布は、従来の独立した線形ハザードモデルと比較してより正確であることがわかった。
論文 参考訳（メタデータ） (2024-10-03T15:10:55Z) - Improved Churn Causal Analysis Through Restrained High-Dimensional
Feature Space Effects in Financial Institutions [9.84528076130809]
顧客チャーン(Customer Churn)は、ビジネスとの関係を終了するか、特定の期間における顧客エンゲージメントを減少させる。
顧客の獲得コストは、顧客の保持の5倍から6倍になり得るので、リスクの厳しい顧客への投資は賢明です。
本研究では、独立変数と相関し、チャーンに影響を及ぼす従属変数と因果関係にある相反する特徴を発見するための概念的枠組みを提案する。
論文 参考訳（メタデータ） (2023-04-23T00:45:35Z)
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。