BriefGPT - AI 论文速递
·
基于频率和严重程度数据的保险定价神经网络：从数据预处理到技术费率的基准研究
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该文提出了一种新的层级似然学习框架，引入伽马随机效应来提高预测性能。该方法适用于处理包含高基数分类特征的聚类计数数据，并可以很容易地实施最新的网络架构。实验研究和真实数据分析证实了该方法的优势。
🎯
关键要点
- 提出了一种新的层级似然学习框架，结合伽马随机效应与Poisson深度神经网络。
- 该方法旨在捕捉输入变量的非线性效应和主题特定的聚类效应，提高预测性能。
- 通过优化单一目标函数，获得固定参数的最大似然估计和随机效应的最佳无偏预测器。
- 适用于处理包含高基数分类特征的聚类计数数据，提供快速的端到端算法。
- 可以轻松实施最新的网络架构，如多头注意力层和稀疏最大函数，进行特征选择。
- 通过调整过程预测随机参数，并使用矩量法估计方差分量进行预训练，以提高实际性能和学习效率。
- 实验研究和真实数据分析验证了该方法的优势。
➡️
