Fugu-MT 論文翻訳(概要): Supervising the Chain Ladder

論文の概要: Supervising the Chain Ladder

arxiv url: http://arxiv.org/abs/2609.16552v2
Date: Wed, 23 Sep 2026 22:44:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-25 21:10:09.24467
Title: Supervising the Chain Ladder
Title（参考訳）: チェーンラダーの監督
Abstract要約: 本稿では,チェーンはしごのパターン選択を教師付き学習問題として扱う。パターン調整の判断は、定義された罰則の枠組みとなる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The chain ladder's volume-weighted pattern minimises an explicit loss function, yet is rarely booked as such. Practitioners adjust the pattern and record the final adjusted ratios. This paper treats the chain ladder's pattern selection as a supervised-learning problem. Judgement on pattern adjustments becomes a framework of defined penalties and hyperparameters on the chain ladder's loss function, treated here as an objective function in machine learning. Data weights are generalised with a decay and a power parameter for recency and volume weighting. Benchmark shaping and smoothness enter through a reference penalty and Whittaker-Henderson smoothing. The assembled objective is strictly convex and minimised by a single linear system. Each hyperparameter becomes an interpretable adjustment in its own right, declarable by judgement and categorised as an experience or a prospective adjustment. Experience adjustments can be set more objectively by a proposed training loop and a reserve validation score on held-out calendar diagonals. Further hyperparameter-based adjustments are written as almost-everywhere differentiable penalties that re-time or reshape the pattern. A worked example carries one real Schedule P triangle through an incurred and then a paid training stage, demonstrating the workflow.
Abstract（参考訳）: チェーンはしごの体積重み付きパターンは明示的な損失関数を最小化するが、そのようなように予約されることは滅多にない。実践者はパターンを調整し、最終的な調整された比率を記録する。本稿では,チェーンはしごのパターン選択を教師付き学習問題として扱う。パターン調整の判断は、チェーンラダーの損失関数における定義された罰則とハイパーパラメータの枠組みとなり、ここでは機械学習の目的関数として扱われる。データ重みは、減衰と、電流と体積重み付けのためのパワーパラメータによって一般化される。ベンチマークの整形と滑らかさは基準ペナルティとウィテカー・ヘンダーソンの平滑化を通す。組み立てられた目的は厳密な凸であり、単一の線形系によって最小化される。それぞれのハイパーパラメータは、それ自体で解釈可能な調整となり、判断によって宣言可能となり、経験または予測的な調整として分類される。経験調整は、提案したトレーニングループと、スケジュール付きカレンダー対角線の予備検証スコアにより、より客観的に設定することができる。さらなるハイパーパラメータに基づく調整は、パターンをリタイムまたはリフォームするほぼすべての異なるペナルティとして記述される。作業例では、1つの実際のスケジュールP三角形をインカレントと有料のトレーニングステージを通じて実行し、ワークフローを実演する。

関連論文リスト

FlowBender: Feedback-Aware Training for Self-Correcting Conditional Flows [18.746098727212544]
FlowBenderは3D再構成のための新しい拡散流モデルである。 FlowBenderは、標準的な教師付きアライメントトレーニングよりも一貫して優れています。微分可能な演算子に対して、FlowBenderのいくつかの変種を提案する。
論文参考訳（メタデータ） (2026-06-18T15:56:07Z)
When Losses Align: Gradient-Based Composite Loss Weighting for Efficient Pretraining [1.6770509632003592]
本稿では, 複合事前学習勾配を下流目標と整列させることで, 事前学習の損失重みをオンラインで学習する勾配に基づく2レベル手法を提案する。我々は、イベント系列モデリングと自己教師型コンピュータビジョンのアプローチを評価し、注意深く調整されたベースラインにマッチし、改善する。
論文参考訳（メタデータ） (2026-05-08T13:59:19Z)
Sequential Learning and Catastrophic Forgetting in Differentiable Resistor Networks [0.0]
キルヒホフの法則に支配される微分可能な抵抗ネットワークにおける逐次学習について検討する。タスクの衝突や新しいタスクへの適応の度合いによって,忘れることが制御されていることを示す。これらの結果は、可変物質における連続的な学習を研究するための、コンパクトで物理的に解釈可能なテストベッドとして、微分可能な抵抗ネットワークを位置づけている。
論文参考訳（メタデータ） (2026-05-02T11:15:57Z)
Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
論文参考訳（メタデータ） (2025-10-01T13:56:44Z)
Large Continual Instruction Assistant [59.585544987096974]
CIT(Continuous Instruction Tuning)は、大規模モデルにデータによる人間の意図データに従うよう指示するために用いられる。既存の更新勾配は、CITプロセス中に前のデータセットのパフォーマンスを著しく損なうことになる。本稿では,この課題に対処する汎用的な連続的命令チューニングフレームワークを提案する。
論文参考訳（メタデータ） (2024-10-08T11:24:59Z)
Task-recency bias strikes back: Adapting covariances in Exemplar-Free Class Incremental Learning [0.3281128493853064]
過去のデータにアクセスせずにタスクのシーケンス上でモデルをトレーニングする問題に対処する。既存の方法は、特徴抽出器の潜在空間におけるガウス分布としてクラスを表す。本稿では,タスクからタスクへ共分散行列を適用する新しい手法であるAdaGaussを提案する。
論文参考訳（メタデータ） (2024-09-26T20:18:14Z)
From Variance to Veracity: Unbundling and Mitigating Gradient Variance in Differentiable Bundle Adjustment Layers [10.784222655465264]
ロボット工学における様々なポーズ推定と追跡問題は、対応推定問題と重み付き最小二乗最適化問題に分解することができる。近年の研究では、他方の出力に条件付きを反復的に精製することで2つの問題を結合させることで、ドメイン間でSOTA結果が得られることが示されている。これらのモデルのトレーニングは難しいことが分かり、トレーニングを安定させ、スピードアップするためには、数多くのトリックが必要になることがわかりました。
論文参考訳（メタデータ） (2024-06-12T00:41:25Z)
Debiased Fine-Tuning for Vision-language Models by Prompt Regularization [56.48290708901531]
本稿では,Prompt Regularization(ProReg)と呼ばれる下流タスクにおける大規模視覚事前訓練モデルの微調整のための新しいパラダイムを提案する。 ProRegは、事前訓練されたモデルに微調整を正規化するよう促すことで予測を使用する。本稿では,従来の微調整,ゼロショットプロンプト,プロンプトチューニング,その他の最先端手法と比較して,ProRegの性能が一貫して高いことを示す。
論文参考訳（メタデータ） (2023-01-29T11:53:55Z)
Slimmable Networks for Contrastive Self-supervised Learning [69.9454691873866]
自己教師付き学習は、大規模なモデルを事前訓練する上で大きな進歩を遂げるが、小さなモデルでは苦労する。追加の教師を必要とせず、訓練済みの小型モデルを得るための1段階のソリューションも導入する。スリム化可能なネットワークは、完全なネットワークと、様々なネットワークを得るために一度にトレーニングできるいくつかの重み共有サブネットワークから構成される。
論文参考訳（メタデータ） (2022-09-30T15:15:05Z)
Relieving Long-tailed Instance Segmentation via Pairwise Class Balance [85.53585498649252]
長い尾のインスタンスセグメンテーションは、クラス間のトレーニングサンプルの極端な不均衡のために難しいタスクである。尾のついたものに対して、(大多数のサンプルを含む)ヘッドクラスの深刻なバイアスを引き起こす。そこで本研究では,学習中の予測嗜好を蓄積するために,学習中に更新される混乱行列上に構築された新しいPairwise Class Balance(PCB)手法を提案する。
論文参考訳（メタデータ） (2022-01-08T07:48:36Z)
Parameter-Efficient Transfer Learning with Diff Pruning [108.03864629388404]
diff pruningは、プリトレイン・ファインチューンフレームワーク内でパラメータ効率の高い転送学習を可能にするシンプルなアプローチです。 diff pruningで微調整されたモデルは、GLUEベンチマークで完全に微調整されたベースラインのパフォーマンスと一致します。
論文参考訳（メタデータ） (2020-12-14T12:34:01Z)

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。