文献

J-GLOBAL ID：202002262093839866   整理番号：20A2208007

マルチソース保険請求データのスパースTweedieモデリングへの統一アプローチ【JST・京大機械翻訳】

A Unified Approach to Sparse Tweedie Modeling of Multisource Insurance Claim Data

著者 (5件)： Fontaine Simon (Department of Statistics, University of Michigan, Ann Arbor, MI) ,  Yang Yi (Department of Mathematics and Statistics, McGill University, Montreal, Quebec, Canada) ,  Qian Wei (Department of Applied Economics and Statistics, University of Delaware, Newark, DE) ,  Gu Yuwen (Department of Statistics, University of Connecticut, Storrs, CT) ,  Fan Bo (Department of Statistics, University of Oxford, Oxford, UK)
資料名： Technometrics  (Technometrics)
巻： 62  号： 3  ページ： 339-356  発行年： 2020年 
JST資料番号： E0359A  ISSN： 0040-1706  CODEN： TCMTA  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 実践的実務者は,様々な状況,すなわち,複数のビジネスライン,アンブレラカバレージ,複数のハザード,その他に対応する保険データの複数の情報源へのアクセスがある。単一目標アプローチの広範な使用と単純な性質にもかかわらず,これらのタイプのデータのモデル化は,ソースを横断して可変選択を実行するアプローチから利益を得る。著者らは,Tweedie(化合物Poisson)モデルの下でそのような融合保険データのスパース学習を実行するための統一アルゴリズムを提案した。マルチタスクスパース学習とスパースTweedieモデリングからアイデアを統合することにより,提案アルゴリズムは,予測子スパース性とソース間スパース性のバランスをとる柔軟な正則化を生成する。シミュレーションと実データに適用した場合,この手法は,予測と選択精度の両方で単一目標モデリングを,特に,ソースが正確に同じセットの予測子を持っていない場合に,明らかに優れている。提案アルゴリズムの効率的な実装を,https://github.com/fontaine618/MStweedieで利用可能なRパッケージMStweedieにおいて提供した。本論文の補足材料はオンラインで利用できる。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  学習 ,  情報源 ,  保険 ,  正則化
準シソーラス用語： *保険請求 ,  スパース性 ,  オンライン ,  マルチタスク ,  ハザード ,  Rパッケージ , 【Automatic Indexing@JST】

著者キーワード (6件)： バックトラッキングライン探索 ,  グループごとの近位勾配降下 ,  マルチソース保険データ ,  マルチタスク学習 ,  正則化 ,  Tweedieモデル

分類 (2件)： 統計的品質管理  (KB04030W) ,  その他の情報工学基礎理論  (JB06000C)

タイトルに関連する用語 (4件)： マルチ ,  ソース ,  保険請求 ,  モデリング