論文の概要: Distributional sentiment modeling and anomaly detection for consumer complaint assessment

• arxiv url: http://arxiv.org/abs/2609.31653v1
• Date: Mon, 14 Sep 2026 15:34:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 14:17:33.888778
• Title: Distributional sentiment modeling and anomaly detection for consumer complaint assessment
• Title（参考訳）: 消費者苦情評価のための分布感情モデルと異常検出
• Abstract要約: 消費者の不満に対する否定的な感情を,境界付き連続変数として扱う。 我々は,有益な苦情と非有益な苦情の適合分布を比較した。 適合した分布は、異常診断を構築するためにドルと企業の反応結果と関連付けられている。
• 参考スコア（独自算出の注目度）: 4.755321790822027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sentiment analysis is a common tool for converting unstructured text into quantitative signals in finance and risk management. Yet most applications reduce the output to a discrete polarity label or a single predictive feature, overlooking the distributional structure of sentiment intensity in consumer complaint narratives. In this paper we treat negative sentiment in consumer complaints as a bounded continuous variable and study its full distribution rather than a single label. We score each narrative with a transformer classifier, model the scores with Beta distributions, and compare the fitted distributions of meritorious and non-meritorious complaints through the Kullback Leibler divergence and the squared Hellinger distance. The fitted distributions are then linked with dollar amounts and company response outcomes to construct anomaly diagnostics that flag complaints whose textual severity is inconsistent with the recorded relief. We find that the two groups have strongly overlapping distributions, so negative sentiment intensity is not a sharp classifier of outcomes on its own; combined with monetary and categorical attributes, it isolates unusually severe complaints for operational risk monitoring. Treating sentiment analysis as continuous distributional measurement, this study links sentiment extraction, bounded response modeling, and anomaly detection in a unified framework for consumer complaint assessment.
• Abstract（参考訳）: 感性分析は、構造化されていないテキストを財務・リスク管理の定量的な信号に変換する一般的なツールである。 しかし、ほとんどのアプリケーションは、消費者の不満の物語における感情強度の分布構造を見越して、出力を離散的な極性ラベルまたは単一の予測的特徴に還元する。 本稿では,消費者の不満に対する否定的な感情を有界連続変数として扱い,その完全な分布を単一ラベルではなく研究する。 我々は,各物語をトランスフォーマー分類器で評価し,スコアをベータ分布でモデル化し,Kulback Leiblerの発散と正方形Hellinger距離による有益および非有益な苦情の適合分布を比較した。 適合した分布はドルと関連付けられ、会社の対応結果は、記録されたリリーフと矛盾するテキストの重大性を示す苦情をフラグする異常診断を構築する。 2つのグループに重なり合う分布があることが分かり、負の感情強度は結果の鋭い分類ではなく、金銭的・カテゴリー的な属性と組み合わせることで、運用リスク監視に対する異常に厳しい苦情を分離する。 本研究では, 感情分析を連続分布測定として扱うことで, 消費者の不満評価のための統合フレームワークにおける感情抽出, 境界応答モデリング, 異常検出を関連づける。

関連論文リスト

• Generative Verification: Rethinking the Uncertainty Signal for Active Learning of Object Detection [14.738453379093961]
  生成検証において、独立生成モデルは、予測ボックス内の画素から検出されたラベルを再導出する。 交換された箱、背景の箱、間違ったラベルを持つ正しい箱は、すべて検証に失敗する作物を生み出します。 検証器は検出器の信頼性を決して観測しないため、確実な誤り検出が最高となる。
  論文  参考訳（メタデータ） (2026-07-28T20:10:23Z)
• Causal Variational Deep Embedding: A Family of Interventional Generators for Confounded Images [23.146237151956765]
  CauVaDEは多様な介入サンプルを生成し、未確立の参照に対してFIDを改善している。 画像データベンチマークの実験では、CauVaDEは様々な介入サンプルを生成し、未確立の参照に対してFIDを改善している。
  論文  参考訳（メタデータ） (2026-06-19T23:59:14Z)
• Beyond the Mean: Modelling Annotation Distributions in Continuous Affect Prediction [3.3187704612685267]
  ベータ分布を用いたアノテーションのコンセンサスをモデル化する分散対応フレームワークを提案する。 モデルでは、単一の影響値を予測する代わりに、アノテーション分布の平均と標準偏差を推定する。 その結果、このモデルは感情知覚の中心的な傾向だけでなく、アノテータ応答における変動性、非対称性、不確実性も捉えている。
  論文  参考訳（メタデータ） (2026-04-08T15:26:56Z)
• Hierarchical Reference Sets for Robust Unsupervised Detection of Scattered and Clustered Outliers [8.21087649188741]
  クラスタ化された外れ値は、局所密度が比較的高いため、通常の振る舞いと容易に間違えることができる。 本稿では,グラフ構造を用いた自然近傍関係を利用した新しい外乱検出パラダイムを提案する。 提案手法は, クラスタ化異常による干渉を伴わずに, 分散した外れ値の有効認識を可能にする。
  論文  参考訳（メタデータ） (2026-03-13T09:48:20Z)
• Detecting Abnormal User Feedback Patterns through Temporal Sentiment Aggregation [4.230025065044209]
  本研究では,時間軸の感情信号を抽出し,時間軸のスコアに集約する時間軸の感情集約フレームワークを提案する。 本手法は,コヒーレントな苦情パターンに対応する統計的に重要な感情低下の同定に成功している。
  論文  参考訳（メタデータ） (2026-03-11T03:07:31Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Relabel the Noise: Joint Extraction of Entities and Relations via Cooperative Multiagents [52.55119217982361]
  協調型マルチエージェント群を用いて,雑音の多いインスタンスを処理するための共同抽出手法を提案する。 ノイズの多いインスタンスをきめ細かな方法で処理するために、協調グループの各エージェントは、自身の視点で連続的な信頼スコアを算出してインスタンスを評価する。 信頼度コンセンサスモジュールは、すべてのエージェントの知恵を収集し、信頼度ラベル付きラベルでノイズの多いトレーニングセットを再分割するように設計されている。
  論文  参考訳（メタデータ） (2020-04-21T12:03:04Z)
• On conditional versus marginal bias in multi-armed bandits [105.07190334523304]
  多腕バンディットにおける腕のサンプル平均のバイアスは、適応データ解析において重要な問題である。 サンプル平均を含む報酬の単調関数の条件バイアスの兆候を特徴付ける。 我々の結果は任意の条件付けイベントを保ち、データ収集ポリシーの自然な単調性特性を活用する。
  論文  参考訳（メタデータ） (2020-02-19T20:16:10Z)

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。