論文の概要: Joint Distributional Copula Regression for Insurance Claim Frequency and Severity via Boosting
- arxiv url: http://arxiv.org/abs/2610.36835v2
- Date: Wed, 28 Oct 2026 01:03:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-30 22:39:27.520712
- 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: 本稿では, モデルに基づく付加分布コプラ回帰モデルの構築手法を提案する。
このフレームワークは、クレーム頻度と重大さの間の依存を捉え、この依存が政策保持者の特性とどのように異なるかを調べることを可能にする。
最新の機械学習技術、特に強化を取り入れることで、解釈可能性を維持しながら予測精度を向上する。
- 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 introduce a model-based boosting approach for fitting structured additive distributional copula regression models for bivariate responses, with particular emphasis on jointly modeling insurance claim frequency and severity. The approach uses regression-type base learners, such as linear terms and splines with low degrees of freedom. It builds on generalized additive models for location, scale, and shape (GAMLSS), which extend generalized additive models (GAMs) by allowing multiple distributional parameters, rather than only the conditional mean, to depend on covariates. The structured additive predictors make the model inherently interpretable, offering greater transparency and auditability than black-box approaches. These features are particularly relevant in regulated actuarial settings and applications requiring explainable artificial intelligence. By estimating the entire conditional joint distribution, the framework also enables insurance practitioners to examine conditional quantiles, tail behavior, and prediction intervals of risks. The copula component captures dependence between claim frequency and severity and allows practitioners to investigate how this dependence varies with policyholder characteristics, potentially improving predictive performance. Moreover, by incorporating modern machine-learning techniques, specifically boosting, the proposed model improves prediction accuracy while retaining interpretability. We assess the proposed framework using both simulated and real data. The results demonstrate its ability to recover the true covariate effects on the marginal distributional parameters and the dependence structure, select informative variables, and achieve predictive performance competitive with standard benchmark models. We also illustrate how to interpret the fitted model.
- Abstract（参考訳）: 本稿では,二変量応答に対する構造的累積分布コプラ回帰モデルと,保険請求頻度と重大度を併用したモデルベースブースティング手法を提案する。
このアプローチは、線形項や低自由度スプラインのような回帰型ベースラーナーを使用する。
位置、スケール、形状の一般化加法モデル(GAMLSS)の上に構築されており、条件平均だけでなく複数の分布パラメータを共変量に依存するようにすることで一般化加法モデル(GAM)を拡張している。
構造化された付加的予測器は、ブラックボックスアプローチよりも透明性と監査性の高いモデルを本質的に解釈できる。
これらの特徴は、特に、説明可能な人工知能を必要とする規制されたアクチュエータの設定と応用に関係している。
この枠組みは、条件付き共同分布全体を推定することにより、保険会社が条件付き量子化、テール行動、リスクの予測間隔を調べることを可能にする。
コプラコンポーネントはクレーム頻度と重大さの依存関係をキャプチャし、この依存性が政策保持者の特性とどのように異なるかを調べ、潜在的に予測性能を向上させることができる。
さらに,最新の機械学習技術,特に強化を取り入れることで,解釈可能性を維持しながら予測精度を向上する。
シミュレーションデータと実データの両方を用いて提案手法を評価する。
その結果, 限界分布パラメータと依存構造に対する真の共変量の影響を回復し, 情報変数を選択し, 標準ベンチマークモデルと競合する予測性能を得ることができた。
また、適合したモデルを解釈する方法についても説明する。
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。