論文の概要: Joint Distributional Copula Regression for Insurance Claim Frequency and Severity via Boosting

• arxiv url: http://arxiv.org/abs/2610.36835v1
• Date: Tue, 27 Oct 2026 08:33:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.546312
• Title: Joint Distributional Copula Regression for Insurance Claim Frequency and Severity via Boosting
• Title（参考訳）: 保険請求頻度と重大度に対するブースティングによる共同配電体コピュラ回帰
• Abstract要約: そこで本研究では, 構造的付加分布コプラ回帰モデルに対するモデルベースブースティング手法を提案する。 提案手法は, 位置, スケール, 形状の一般化付加モデルに基づく。 合成および実世界のデータを用いて提案手法の評価を行う。
• 参考スコア（独自算出の注目度）: 1.6580079645818124
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a model-based boosting approach for fitting structured additive distributional copula regression models with bivariate responses, focusing particularly on the joint modeling of claim frequency and claim severity. The proposed approach is based on generalized additive models for location, scale, and shape (GAMLSS), which extend the general idea of GAMs by allowing multiple parameters of a response distribution, rather than only its conditional mean, to depend on covariates. The model is therefore intrinsically interpretable at the level of its additive predictors, providing greater transparency and auditability than black-box alternatives. We evaluate the proposed framework using synthetic and real-world data. We demonstrate its ability to recover the underlying covariate effects and dependence structure, identify informative variables, and achieve competitive predictive performance relative to benchmark models. We also illustrate how the fitted model can be interpreted.
• Abstract（参考訳）: 本稿では,二変量応答を持つ構造的付加分布コプラ回帰モデルに対するモデルベースブースティング手法を提案し,特にクレーム周波数とクレーム重大性の連成モデリングに焦点をあてる。 提案手法は,GAMLSS(位置, スケール, 形状)の一般化された付加モデルに基づいており, 応答分布の複数のパラメータを条件付き平均に依存せず, 共変量に依存するようにすることでGAMの一般概念を拡張する。 したがって、モデルは本質的に加法予測器のレベルで解釈可能であり、ブラックボックスの代替品よりも透明性と監査性が高い。 合成および実世界のデータを用いて提案手法の評価を行う。 我々は,その基礎となる共変量効果と依存構造を回復し,情報的変数を同定し,ベンチマークモデルに対する競合予測性能を達成する能力を示す。 また、適合したモデルがどのように解釈されるかを説明する。

関連論文リスト

• Robust model-based clustering via mixtures of multivariate pseudo-Voigt distributions [0.0]
  ガウス分布とコーシー分布の重み付き凸結合は、ロバストモデルに基づくクラスタリングと外乱検出のために提案される。 このフレームワークは、重み付けされた振る舞いを特徴とするデータに対して特に有効であることが示されている。
  論文  参考訳（メタデータ） (2026-08-27T18:38:42Z)
• Bridging Domain Expertise and Generalization for Performance Estimation [44.139948614374106]
  分散シフトによる性能評価は、トレーニングデータとは異なるラベル付きテストセット上でモデルがどのように振る舞うかを予測することを目的としている。 既存のアプローチは、分布がシフトするとバイアスが増幅される与えられたモデルの出力にのみ依存する。 本研究では,より信頼性の高い基底トラスラベルのサロゲートを構築するために,融合参照アライメント予測(FRAP)を提案する。
  論文  参考訳（メタデータ） (2026-06-04T16:10:04Z)
• 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)
• Covariate-assisted Grade of Membership Models via Shared Latent Geometry [0.7939348535496568]
  メンバーシップモデルのグレードは、個人レベルの混合メンバーシップスコアを通して多変量カテゴリデータを解析するための柔軟な潜在変数モデルである。 補助共変量体を組み込む従来のアプローチは、一般に完全に指定された関節の確率に依存しており、計算的に集中しており、誤特定に敏感である。 我々は,共変量支援型メンバシップモデルを導入し,共変量情報を統合する。
  論文  参考訳（メタデータ） (2026-01-24T02:30:36Z)
• Model Correlation Detection via Random Selection Probing [62.093777777813756]
  既存の類似性に基づく手法では、モデルパラメータにアクセスしたり、しきい値なしでスコアを生成する必要がある。 本稿では,モデル相関検出を統計的テストとして定式化する仮説テストフレームワークであるランダム選択探索(RSP)を紹介する。 RSPは相関の証拠を定量化する厳密なp-値を生成する。
  論文  参考訳（メタデータ） (2025-09-29T01:40:26Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• H-AddiVortes: Heteroscedastic (Bayesian) Additive Voronoi Tessellations [0.0]
  Heteroscedastic AddiVortesモデルは、応答変数の条件平均と分散を同時にモデル化する。 平均値の総和法と変分に対する積積算法を用いることにより、モデルは複雑で予測因子に依存した関係を捉える柔軟かつ解釈可能な手段を提供する。
  論文  参考訳（メタデータ） (2025-03-17T10:41:31Z)
• Aggregation Weighting of Federated Learning via Generalization Bound Estimation [65.8630966842025]
  フェデレートラーニング(FL)は通常、サンプル比率によって決定される重み付けアプローチを使用して、クライアントモデルパラメータを集約する。 上記の重み付け法を,各局所モデルの一般化境界を考慮した新しい戦略に置き換える。
  論文  参考訳（メタデータ） (2023-11-10T08:50:28Z)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)

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。