利用 ICEnet 对神经网络施加平滑性与单调性约束
机器学习
2024-12-11 v1
摘要
深度神经网络已成为精算任务中的重要工具，原因在于相较于传统方法，这些技术带来了显著的精度提升，同时也因为这些模型与业界当前使用的广义线性模型（GLMs）密切相关。对于涉及保险风险因子的 GLM 参数，施加平滑性或单调性约束是轻而易举的，但将此类约束纳入深度神经网络的方法尚未得到发展。这阻碍了神经网络在保险实务中的采用，因为精算师常出于商业或统计原因施加这些约束。在本工作中，我们提出了一种在深度神经网络模型中施加约束的新方法，并展示了如何训练这些模型。此外，我们使用真实世界数据集提供了应用示例。我们将所提方法称为 ICEnet，以强调我们的方案与个体条件期望（ICE）模型可解释性技术的紧密联系。
引用
@article{arxiv.2305.08807,
title = {Smoothness and monotonicity constraints for neural networks using ICEnet},
author = {Ronald Richman and Mario Wüthrich},
journal= {arXiv preprint arXiv:2305.08807},
year = {2024}
}