論文の概要: Credibility Clustering for Experience Rating: An Automated Approach to Risk Group Allocation in Group Life Insurance

• arxiv url: http://arxiv.org/abs/2611.07110v1
• Date: Wed, 04 Nov 2026 20:24:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.445036
• Title: Credibility Clustering for Experience Rating: An Automated Approach to Risk Group Allocation in Group Life Insurance
• Title（参考訳）: 経験評価のための信頼度クラスタリング:グループ生命保険におけるリスクグループ配置への自動化アプローチ
• Abstract要約: 本稿では,リスクグループ割り当てを自動化するためのデータ駆動手法を提案する。 信頼性重みを組み込むことで、経験データの統計的意義が変化する。 欧州大手保険会社による実世界グループ生命保険データに基づく実証的な結果から、このフレームワークが2つのk平均ベンチマークモデルよりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In insurance, experience rating plays a crucial role in mitigating adverse selection by adjusting premiums according to historical claims experience. A key step in this process is the classification of insured collectives into homogeneous risk groups. Within group life insurance, this classification traditionally relies on manual decisions and arbitrary thresholds, which may lead to inefficiencies and inconsistent outcomes. This paper proposes a data-driven methodology for automating risk group allocation based on a combination of the multidimensional Bühlmann-Straub model and k-means clustering -- referred to as credibility clustering. By incorporating credibility weights, the method accounts for the varying statistical significance of experience data and ensuresthat risk classifications are both actuarially sound and practically implementable. Empirical results based on real-world group life insurance data from a major European insurer demonstrate that the proposed framework outperforms the two k-means benchmark variants considered in the empirical application in terms of viability, temporal stability and accounting for statistical reliability.
• Abstract（参考訳）: 保険において、経験評価は、過去の請求経験に応じてプレミアムを調整することで、有害選択を緩和する上で重要な役割を担っている。 この過程における重要なステップは、被保険集団を均質なリスク群に分類することである。 グループ生命保険の中では、この分類は伝統的に手動による決定と任意のしきい値に依存しており、非効率性や一貫性のない結果をもたらす可能性がある。 本稿では,多次元Bühlmann-Straubモデルとk平均クラスタリング(信頼性クラスタリング)を組み合わせたデータ駆動型リスクグループ割当手法を提案する。 信頼度重みを組み込むことにより、経験データの統計的意義の変動を考慮し、リスク分類がアクタリカルに健全で実用的に実装可能であることを保証する。 欧州大手保険会社による実世界グループ生命保険データに基づく実証的な結果から、このフレームワークは、生存可能性、時間的安定性、統計的信頼性の観点から、経験的応用において考慮された2つのk平均ベンチマークモデルよりも優れていることを示した。

関連論文リスト

• Comparison-Based Ordinal Learning for Proactive Driving Risk Assessment [18.28137177820341]
  本稿では,データ駆動における相互監督から衝突関連リスクスコアを学習する,比較に基づく順序性リスク学習フレームワークを提案する。 その結果,提案フレームワークは,ハイリコールリスク識別,警告精度,および代表的代理ベースラインに対するリードタイムを向上することがわかった。
  論文  参考訳（メタデータ） (2026-07-13T06:05:17Z)
• Empirical Likelihood-Based Fairness Auditing: Distribution-Free Certification and Flagging [18.71249153088185]
  リシビズム予測や人事自動選択といった高度な応用における機械学習モデルは、しばしば体系的な性能格差を示す。 本稿では,モデル性能の相違に対する頑健な統計的尺度を構築するための実験的可能性ベース(EL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-28T05:36:19Z)
• Open-World Deepfake Attribution via Confidence-Aware Asymmetric Learning [78.92934995292113]
  本稿では,既知の偽造と新規な偽造の信頼のバランスをとる,信頼を意識した非対称学習(CAL)フレームワークを提案する。 CALは従来手法を一貫して上回り、既知の偽造と新しい偽造の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-14T12:31:28Z)
• Noise-Adaptive Conformal Classification with Marginal Coverage [53.74125453366155]
  本稿では,ランダムラベルノイズによる交換性からの偏差を効率的に処理できる適応型共形推論手法を提案する。 本手法は,合成および実データに対して,その有効性を示す広範囲な数値実験により検証する。
  論文  参考訳（メタデータ） (2025-01-29T23:55:23Z)
• Measuring and Mitigating Biases in Motor Insurance Pricing [1.2289361708127877]
  非生命保険部門は高度に競争力があり厳格に規制された枠組みで運営されている。 年齢ベースのプレミアムフェアネスは、特定の保険ドメインにも義務付けられている。 ある保険領域では、重篤な疾患や障害の存在などの変数が、公正性を評価するための新しい次元として現れている。
  論文  参考訳（メタデータ） (2023-11-20T16:34:48Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• A Universal Unbiased Method for Classification from Aggregate Observations [115.20235020903992]
  本稿では,任意の損失に対する分類リスクを非バイアスで推定するCFAOの普遍的手法を提案する。 提案手法は,非バイアスリスク推定器によるリスクの整合性を保証するだけでなく,任意の損失に対応できる。
  論文  参考訳（メタデータ） (2023-06-20T07:22:01Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Fast Fair Regression via Efficient Approximations of Mutual Information [0.0]
  本稿では, 回帰モデルに対する独立性, 分離性, 充足性グループフェアネス基準の高速な近似について紹介する。 正規化リスク最小化フレームワーク内で公正性を強制するために、正規化のような近似を使用する。 実世界のデータセットでの実験では、計算効率が優れているにもかかわらず、我々のアルゴリズムは依然として最先端の精度/フェアネスのトレードオフを示す。
  論文  参考訳（メタデータ） (2020-02-14T08:50:51Z)

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。