論文の概要: Quantifying structural stability of transparent models for general insurance pricing
- arxiv url: http://arxiv.org/abs/2611.17308v1
- Date: Thu, 12 Nov 2026 18:56:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.597772
- Title: Quantifying structural stability of transparent models for general insurance pricing
- Title(参考訳): 一般保険価格の透明モデルの構造安定性の定量化
- Abstract要約: 平均正方形関数距離(Mean Squared Shape function distance)は、機能的に透明なモデルの構造安定性を定量化する計量である。
安定かつ正確な透明なモデルを特定する上で,我々の測定値の有用性を示すためのベンチマーク研究を行う。
- 参考スコア(独自算出の注目度): 0.7734726150561086
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The short duration of general insurance contracts leads to rapid distributional shifts in the data, warranting regular model updates. This process may yield a post-update model that differs considerably from the pre-update model in both predictions and structure. Structural stability is upstream of predictive stability, yet existing structural stability metrics are mostly restricted to simple decision trees. Thus, we first introduce the notion of functional transparency, characterising models with a prediction function that can be expressed as a sum of univariate functions for main effects and bivariate functions for pairwise interactions. Then, we propose the Mean Squared Shape function distance, a metric to quantify the structural stability of functionally transparent models, which are particularly relevant in actuarial science. Using three public auto insurance datasets, we present a benchmark study to demonstrate the usefulness of our metric in identifying a stable and accurate transparent model. Generalised linear models with centred numerical covariates are stable, and explainable boosting machines (EBMs) offer a compromise between stability and performance. We also find that stabilisation strategies, such as sequential modelling and fixed hyperparameters, can substantially improve stability for both EBM and XGBoost models, with negligible impact on performance.
- Abstract(参考訳): 一般的な保険契約の短い期間は、データの配布の急激なシフトをもたらし、定期的なモデル更新が保証される。
このプロセスは、予測と構造の両方において、更新後のモデルとかなり異なる更新後のモデルをもたらす可能性がある。
構造安定性は予測安定性の上流にあるが、既存の構造安定性の指標は主に単純な決定木に限られている。
そこで我々はまず,主効果の単変量関数と二変量関数の和として表現できる予測関数を持つモデルを特徴付ける機能的透明性の概念を導入する。
そこで我々は,機能的に透明なモデルの構造的安定性を定量化するための平均正方形関数距離(Mean Squared Shape function distance)を提案する。
3つの公的自動車保険データセットを用いて、安定かつ正確な透明性モデルを特定する上で、我々の測定値の有用性を示すベンチマーク研究を提案する。
数値共変量中心の一般線形モデルは安定であり、説明可能なブースティングマシン(EBM)は安定性と性能の妥協をもたらす。
また、逐次モデルや固定ハイパーパラメータなどの安定化戦略は、ESMモデルとXGBoostモデルの両方の安定性を大幅に改善し、性能への影響を無視できる。
関連論文リスト
- Fortress: A Case Study in Stabilizing Search Recommendations via Temporal Data Augmentation and Feature Pruning [2.6494136490021387]
Fortressは、時間の経過とともに一貫性のない予測スコアに寄与する特徴を特定し、誇張する。
Fortressを,大規模なアプリマーケットプレースにおけるクエリ・ツー・アプリ関連モデルで検証する。
論文 参考訳(メタデータ) (2026-05-14T18:13:05Z) - The Price of Robustness: Stable Classifiers Need Overparameterization [17.335490896384265]
クラス安定性で逆改善する有限関数クラスに対して有界な一般化を確立する。
我々は、ブベックとセルケの結果を拡張する分類の堅牢性の法則として導かれる。
実験は我々の理論を支持するが、伝統的なノルムに基づく測度はほとんど非形式的である。
論文 参考訳(メタデータ) (2026-03-03T09:47:06Z) - Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。
SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。
複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
論文 参考訳(メタデータ) (2026-02-01T12:56:10Z) - Stability as a Liability:Systematic Breakdown of Linguistic Structure in LLMs [5.96875296117642]
安定なパラメータトラジェクトリが定常解を導出し、経験的分布へのKLの分岐を最小化することを示す。
制御されたフィードバックベースのトレーニングフレームワークを用いて,この効果を実証的に検証する。
これは、最適化の安定性と生成的表現性は本質的に一致していないことを示し、安定性のみが生成的品質の指標として不十分であることを示している。
論文 参考訳(メタデータ) (2026-01-26T15:34:50Z) - Stability Under Scrutiny: Benchmarking Representation Paradigms for Online HD Mapping [25.516502412129096]
本稿では,オンラインHDマッピングモデルの時間的安定性を評価するための,最初の総合的ベンチマークを提案する。
そこで本研究では,Presence,Localization,Shape stabilityの新たな指標を用いた多次元安定性評価フレームワークを提案する。
本研究は、より信頼性の高い自律運転システムの開発を進めるとともに、時間的安定性をコア評価基準として扱うことの重要性を強調した。
論文 参考訳(メタデータ) (2025-10-12T15:33:45Z) - Feed Two Birds with One Scone: Exploiting Function-Space Regularization for Both OOD Robustness and ID Fine-Tuning Performance [72.57668440744301]
シミュレーションOODサンプルを用いて,関数空間における微調整モデルと事前学習モデルの距離を制約する新しい正規化を提案する。
このアプローチは、ダウンストリームタスクIDの微調整性能と、さまざまなCLIPバックボーン間のOODロバスト性の両方を一貫して改善できる。
論文 参考訳(メタデータ) (2025-08-31T12:14:34Z) - Large Continual Instruction Assistant [59.585544987096974]
CIT(Continuous Instruction Tuning)は、大規模モデルにデータによる人間の意図データに従うよう指示するために用いられる。
既存の更新勾配は、CITプロセス中に前のデータセットのパフォーマンスを著しく損なうことになる。
本稿では,この課題に対処する汎用的な連続的命令チューニングフレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-08T11:24:59Z) - Stable Update of Regression Trees [0.0]
本稿では,回帰木という,本質的に説明可能な機械学習手法の安定性に着目した。
本稿では,初期モデルの不確実性に基づいてデータポイントを重み付けする正規化手法を提案する。
その結果、提案手法は、類似またはより良い予測性能を達成しつつ、安定性の向上を図っている。
論文 参考訳(メタデータ) (2024-02-21T09:41:56Z) - Fine-Grained Analysis of Stability and Generalization for Stochastic
Gradient Descent [55.85456985750134]
我々は,SGDの反復的リスクによって制御される新しい境界を開発する,平均モデル安定性と呼ばれる新しい安定性尺度を導入する。
これにより、最良のモデルの振舞いによって一般化境界が得られ、低雑音環境における最初の既知の高速境界が導かれる。
我々の知る限りでは、このことはSGDの微分不能な損失関数でさえも初めて知られている安定性と一般化を与える。
論文 参考訳(メタデータ) (2020-06-15T06:30:19Z)
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。