論文の概要: Conditional Weight of Evidence for Gradient-Boosted Credit Models: Estimation, Additivity and Its Relation to Adverse Action Reasons

• arxiv url: http://arxiv.org/abs/2610.24586v1
• Date: Sat, 17 Oct 2026 09:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 17:32:46.164933
• Title: Conditional Weight of Evidence for Gradient-Boosted Credit Models: Estimation, Additivity and Its Relation to Adverse Action Reasons
• Title（参考訳）: グラディエント・ブースト信用モデルに対する条件付き重み付け--推定・付加性および逆アクション推論との関係
• Abstract要約: 勾配木を用いた推定器を開発し,その精度を局式シミュレーションで評価する。 証拠の条件付き重みは、信用特性の情報を申請者固有の解釈を提供する。
• 参考スコア（独自算出の注目度）: 1.4824891788575416
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional weight of evidence assigns a credit characteristic a value based on its association with default across a population. Credit analysis also requires an assessment of that characteristic in the context of an individual applicant's record. We study conditional weight of evidence for this purpose. It measures the change in default log odds from observing a characteristic after the remaining credit information is known. Its sign identifies whether the characteristic adds adverse or favorable information for that applicant, and its magnitude measures the strength of that information. The same characteristic value can therefore receive different assessments for applicants with different payment histories or other credit attributes. We develop estimators using gradient-boosted trees and evaluate their accuracy in a bureau-style simulation. Regressions of the full model's predicted probabilities recover conditional evidence more accurately than separate models fitted to default outcomes, provided the full model is accurate. They also recover a deliberately constructed file-age effect whose direction varies with utilization and is often missed by marginal weight of evidence. Local class-frequency estimates improve on marginal weight of evidence but remain inaccurate for some weak effects. An application to FICO HELOC data illustrates estimation when the population evidence is unknown. Conditional weight of evidence provides an applicant-specific interpretation of the information in a credit characteristic; its population summary, a conditional information value, splits the joint information in the record across blocks when averaged over orderings. Neither is an adverse action reason, which explains the fitted score difference between the applicant and chosen passing records.
• Abstract（参考訳）: 伝統的な証拠の重みは、信用特性を、人口全体にわたるデフォルトとの関連に基づく価値として割り当てる。 信用分析はまた、個々の申請者の記録の文脈でその特性を評価する必要がある。 我々はこの目的の証拠の条件付き重量について研究する。 これは、デフォルトのログのオッズの変化を、残りのクレジット情報が判明した後の特徴を観察することから測定する。 その記号は、その特徴がその申請者にとって有害か好ましくない情報を付加するかどうかを識別し、その大きさはその情報の強度を測定する。 したがって、同じ特性値が、異なる支払履歴または他のクレジット属性を持つ申請者に対して異なる評価を受けることができる。 勾配木を用いた推定器を開発し,その精度を局式シミュレーションで評価する。 完全なモデルの予測確率の回帰は、完全なモデルが正確であれば、デフォルト結果に適合する別のモデルよりも、より正確に条件付きエビデンスを回復する。 彼らはまた、用途によって方向が異なり、しばしば証拠の限界重みによって見逃される故意に構築されたファイルエイジ効果を回復する。 局所的なクラス周波数推定は証拠の限界重量を改善するが、いくつかの弱い影響のために不正確なままである。 FICO HELOCデータへの応用は、人口証拠が不明なときに推定される。 証拠の条件付き重みは、信用特性における情報に対する応募者固有の解釈を与え、その集団要約(条件付き情報値)は、注文平均時において、レコード内の共同情報をブロック間で分割する。 どちらも悪い行動理由ではなく、応募者と選択したパスレコードとの間のスコアの相違を説明する。

関連論文リスト

• What Counts as Evidence? Epistemic Cue Utilization in Large Language Models [25.305603518318993]
  情報源が一致しない場合には,どの情報が言語モデルの判断を形作るかを検討する。 500のシナリオと5つの補完的なトラックのベンチマークを使用して、キューの識別、キューの影響、競合を分離します。 我々は,一致したシャム素材,事実回復,構造化された証拠記録,付加的な重み付け原理を用いた3つのQwenチェックポイントに介入した。
  論文  参考訳（メタデータ） (2026-10-08T22:45:26Z)
• Information Set Emulation: Causal Certificates for AI Derived EHR Features [0.0]
  AIモデルは、電子的健康記録から臨床的に意味のある特徴を回復することができるが、予測的有用性は因果推論に対する許容性を確立しない。 AI型リフトは、ソースエビデンス、臨床および記録時間、意思決定時可用性、表現バージョン、提案された因果関係の役割、そしてロックされたターゲットトライアルの下で抽出された特徴に対する未解決の曖昧さを付加する。
  論文  参考訳（メタデータ） (2026-09-15T19:39:36Z)
• When AI Generates Covariates: Causal Typing and Estimand Drift in Sequential Experiments [0.0]
  シーケンシャルな実験のために因果型の規律を定式化する。 圧縮バイアスの条件共分散特性を設計関連状態に対する生成表現の置換に適用する。 改良が設計関連情報を保持する上で有効であることを示し、一方、設計消去、漏洩、同一データマーカーの選択はバイアスや隠蔽をもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2026-09-15T19:24:40Z)
• 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)
• Estimating Misreporting in the Presence of Genuine Modification: A Causal Perspective [11.438018798893113]
  リソースの割り当てを知らせるためにMLモデルを使用する場合、エージェントは、より良い結果を得るために、戦略的に機能を変更するインセンティブを持つ可能性がある。 そこで本研究では, エージェントがどの程度の頻度で誤レポートしているかを, 真に変化した特徴を識別し, 定量化するための因果的動機付け手法を提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:06:30Z)
• Self-Rationalization in the Wild: A Large Scale Out-of-Distribution Evaluation on NLI-related tasks [59.47851630504264]
  自由文の説明は表現力があり理解しやすいが、多くのデータセットには注釈付き説明データがない。 我々は、T5-LargeモデルとOLMo-7Bモデルを微調整し、微調整データ品質、微調整サンプル数、少数ショット選択方法の影響を評価した。 モデルは、自然言語推論(NLI)、ファクトチェック、抽象的な要約における幻覚検出の3つのタスクにまたがる19の多様なOODデータセットで評価される。
  論文  参考訳（メタデータ） (2025-02-07T10:01:32Z)
• Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
  誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。 既存の感受性研究は、自己報告された信念に大きく依存している。 本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
  論文  参考訳（メタデータ） (2023-11-16T07:22:56Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)
• 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。