論文の概要: From Explaining to Enabling: Actionable Transparency in Algorithmic Insurance Pricing

• arxiv url: http://arxiv.org/abs/2610.34459v1
• Date: Sun, 25 Oct 2026 17:28:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.618261
• Title: From Explaining to Enabling: Actionable Transparency in Algorithmic Insurance Pricing
• Title（参考訳）: 説明から実現へ:アルゴリズム保険価格における行動可能な透明性
• Abstract要約: 有用な説明は有効で、行動可能で、信頼できるものでなければならない、と我々は主張する。 有効な推奨は、モデルに応じてプレミアムを下げる。 信頼できるレコメンデーションは、ターゲットを満たす可能性が高い実際の結果を持っています。
• 参考スコア（独自算出の注目度）: 26.304762305744827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) systems increasingly make consequential decisions about individuals, including credit, hiring, and insurance. Research on ML-driven insurance pricing has asked how the pricing mechanism itself can be made accountable. Yet it remains unclear how an individual policyholder's algorithmically determined premium should be explained to them. We argue that a useful explanation must be valid, actionable, and reliable. A valid recommendation lowers the premium according to the model. An actionable recommendation changes only characteristics the policyholder can control. A reliable recommendation has an actual outcome that is likely to meet the target, even in sparsely observed regions of the feature space where the model is uncertain. We formalize these three requirements as axioms and develop a method that turns an algorithmic premium into recommendations that meet them. The method meets the third requirement with a Conformal Prediction constraint, which screens out recommendations that the model is too uncertain about and thereby bounds the rate of unreliable recommendations. We apply four Counterfactual Explanation techniques to 57,832 real Florida flood-insurance claims and 98,058 synthetic driver-telematics policies. We adapt these techniques for insurance applications, so that their recommendations change only controllable characteristics and resemble policyholders observed in the data. In our illustrations, the constrained recommendations for high-risk policyholders are both more reliable and associated with larger predicted risk reductions than the unconstrained ones. These results suggest that insurers can give policyholders explanations that are both actionable and trustworthy. The work contributes to research on algorithmic accountability and offers implications for insurers and regulators.
• Abstract（参考訳）: 機械学習(ML)システムは、信用、雇用、保険を含む個人に関する連続的な決定をますます行う。 ML駆動型保険価格に関する研究は、価格メカニズム自体が説明責任を負うことができるかを疑問視している。 しかし、個々の政策ステークホルダーのアルゴリズムによって決定されたプレミアムがどのように説明されるべきなのかは、いまだ不明である。 有用な説明は有効で、行動可能で、信頼できるものでなければならない、と我々は主張する。 有効な推奨は、モデルに応じてプレミアムを下げる。 実行可能なレコメンデーションは、ポリシーホルダーが制御できる特性のみを変更する。 信頼性の高いレコメンデーションは、モデルが不確実な特徴空間のわずかに観察された領域であっても、ターゲットを満たす可能性のある実際の結果を持つ。 これら3つの要件を公理として形式化し、アルゴリズムのプレミアムをそれらを満たすレコメンデーションに変換する手法を開発する。 この方法は、モデルが不確実すぎるというレコメンデーションをスクリーニングし、信頼できないレコメンデーションのレートを制限しているコンフォーマル予測制約と3つ目の要件を満たす。 我々は,フロリダの洪水保険請求件57,832件と,98,058件の総合ドライバー・テレマティクスポリシーに,4つの非現実的説明手法を適用した。 我々は、これらの手法を保険申請に適用し、その勧告がコントロール可能な特性だけを変更し、データに見られる政策保持者と類似するようにした。 本例では、リスクの高い政策ステークホルダに対する制約付き勧告は、制約のない提案よりも信頼性が高く、予測されるリスクの低減に結びついている。 これらの結果は、保険会社は政策ステークホルダーに、行動可能かつ信頼できる説明を与えることができることを示唆している。 この研究は、アルゴリズムのアカウンタビリティの研究に貢献し、保険会社や規制当局に影響を及ぼす。

関連論文リスト

• Structural Distinguishability of Static and Adaptive Policy Regimes in Agent-Based Regulatory Simulation [0.0]
  本稿では,新しい汎用フレームワークではなく,制御されたシミュレーションベンチマークに寄与する。 本研究は, ナイーブな固定ポリシー, トラッキング対応の固定ポリシ, および, セットポイント, 安全マージン, 片側制御の3つの適応コントローラを評価する。 このコントリビューションは、スカラーインジケータ、キャップ相対的なシンボル診断、軌跡モチーフ、視覚検査によって、平均的な結果が類似しているように見える場合でも、どのように規制の結論が異なるかを共同で明らかにする。
  論文  参考訳（メタデータ） (2026-06-15T10:06:32Z)
• Capability Minimization as a Safety Primitive: Risk-Aware Causal Gating for Least-Privilege LLM Agents [0.0]
  Risk-Aware Causal Gating (RACG) は、モデルの予測から行動するか、延期するかを判断するフレームワークである。 RACGは、候補行動から結果への因果経路をモデル化し、予測された対実リスクに応じて各決定をゲートする。 RACGは,非ゲートポリシーの効用の大部分を保ちながら,コストエラーを大幅に低減することを示す。
  論文  参考訳（メタデータ） (2026-06-11T20:19:35Z)
• What Do We Care About in Bandits with Noncompliance? BRACE: Bandits with Recommendations, Abstention, and Certified Effects [0.0]
  下流アクターが私的情報を利用する場合、リコメンデーション福祉は学習者評価可能な治療方針を厳格に超えることができることを示す。 有限コンテキスト2乗IV問題に対して,パラメータフリー位相共役アルゴリズムBRACEを提案する。 我々はこの理論を、直接制御にまたがる有限コンテキスト経験的ベンチマークで補完し、現在の未来的トレードオフ、弱い識別、均一性障害、長方形の過剰識別を媒介する。
  論文  参考訳（メタデータ） (2026-03-10T11:40:42Z)
• Conformal Policy Control [50.46542384484142]
  我々は、安全な参照ポリシーを、最適化されているが未試験のポリシーの確率的規制として使う方法を示す。 保守的な最適化方法とは異なり、ユーザーが正しいモデルクラスを識別したとは仮定しない。 自然言語質問応答から生体分子工学まで,本研究の応用実験は,デプロイ開始当初から安全な探索が可能であることを示唆している。
  論文  参考訳（メタデータ） (2026-03-02T18:54:36Z)
• Conformal Thinking: Risk Control for Reasoning on a Compute Budget [60.65072883773352]
  大規模言語モデル(LLM)の推論により、トークンの予算が増加するにつれて、データセットレベルの精度が向上する。 我々は、予算設定問題をリスクコントロールとして再設定し、計算を最小化しながらエラー率を制限する。 我々のフレームワークは、モデルが自信のあるときに推論を停止する上位しきい値と、未解決のインスタンスを事前に停止させる新しい下位しきい値を導入する。
  論文  参考訳（メタデータ） (2026-02-03T18:17:22Z)
• Criticality and Safety Margins for Reinforcement Learning [53.10194953873209]
  我々は,定量化基盤真理とユーザにとっての明確な意義の両面から,批判的枠組みを定めようとしている。 エージェントがn連続的ランダム動作に対するポリシーから逸脱した場合の報酬の減少として真臨界を導入する。 我々はまた、真の臨界と統計的に単調な関係を持つ低オーバーヘッド計量であるプロキシ臨界の概念も導入する。
  論文  参考訳（メタデータ） (2024-09-26T21:00:45Z)
• Proximal Ranking Policy Optimization for Practical Safety in Counterfactual Learning to Rank [64.44255178199846]
  本稿では,ユーザ行動に関する仮定を伴わずにデプロイの安全性を提供する,PRPO (proximal ranking Policy Optimization) という新しいアプローチを提案する。 PRPOは、安全なランキングモデルとは相容れないランキング行動を学ぶためのインセンティブを取り除きます。 実験の結果,PRPOは既存の安全逆性評価手法よりも高い性能を示すことがわかった。
  論文  参考訳（メタデータ） (2024-09-15T22:22:27Z)
• A Data Science Approach to Risk Assessment for Automobile Insurance Policies [1.0660480034605242]
  データサイエンスアプローチによるリスクアセスメントに重点を置いている。 当社は、現在および過去のポリシーの履歴データを用いて、新規顧客によってなされる総請求額を予測する。
  論文  参考訳（メタデータ） (2022-09-06T18:32:27Z)
• Conformal Off-Policy Prediction in Contextual Bandits [54.67508891852636]
  コンフォーマルなオフ政治予測は、新しい目標ポリシーの下で、結果に対する信頼できる予測間隔を出力することができる。 理論上の有限サンプル保証は、標準的な文脈的バンディットの設定を超える追加の仮定をすることなく提供する。
  論文  参考訳（メタデータ） (2022-06-09T10:39:33Z)
• Safe Policy Learning through Extrapolation: Application to Pre-trial Risk Assessment [0.4999814847776098]
  米国刑事司法制度におけるアルゴリズムによる事前審理リスク評価の特定の事例について検討する。 我々は,アルゴリズムによる事前審理前リスク評価のフィールド実験からデータを分析し,スコアとレコメンデーションを改善することができるかどうかを検証した。
  論文  参考訳（メタデータ） (2021-09-22T00:52:03Z)

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。