TransCORALNet: A Two-Stream Transformer CORAL Networks for Supply Chain Credit Assessment Cold Start

要約

この論文は、セグメント産業およびコールドスタート問題の下でのサプライチェーン信用評価のための、解釈可能な2ストリーム変圧器CORALネットワーク(TransCORALNet)を提案します。
このモデルは、限られた過去のデータを使用して、新しいサプライチェーンの借り手に正確な信用評価予測を提供することを目的としています。
ここでは、相関アライメント (CORAL) 損失を伴う 2 ストリーム ドメイン アダプテーション アーキテクチャがコア モデルとして使用され、トランスフォーマーが装備されています。これにより、学習された特徴に関する洞察が提供され、トレーニング中の効率的な並列化が可能になります。
提案されたモデルのドメイン適応機能のおかげで、ソース ドメインとターゲット ドメイン間のドメインのシフトが最小限に抑えられます。
したがって、ソースとターゲットが同じ分布に従わず、限られた量のターゲットのラベル付きインスタンスが存在する場合、このモデルは良好な一般化を示します。
さらに、Local Interpretable Model-agnostic Explains (LIME) を採用して、モデル予測に対するさらなる洞察を提供し、サプライ チェーンの信用評価の決定に寄与する主要な特徴を特定します。
提案されたモデルは、ドメイン シフト、コールド スタート、不均衡クラス、解釈可能性という 4 つの重要なサプライ チェーン信用評価の課題に対処します。
実世界のデータセットでの実験結果は、精度の点で多数の最先端のベースラインよりも TransCORALNet が優れていることを示しています。
コードは GitHub https://github.com/JieJieNiu/TransCORALN で入手できます。

要約(オリジナル)

This paper proposes an interpretable two-stream transformer CORAL networks (TransCORALNet) for supply chain credit assessment under the segment industry and cold start problem. The model aims to provide accurate credit assessment prediction for new supply chain borrowers with limited historical data. Here, the two-stream domain adaptation architecture with correlation alignment (CORAL) loss is used as a core model and is equipped with transformer, which provides insights about the learned features and allow efficient parallelization during training. Thanks to the domain adaptation capability of the proposed model, the domain shift between the source and target domain is minimized. Therefore, the model exhibits good generalization where the source and target do not follow the same distribution, and a limited amount of target labeled instances exist. Furthermore, we employ Local Interpretable Model-agnostic Explanations (LIME) to provide more insight into the model prediction and identify the key features contributing to supply chain credit assessment decisions. The proposed model addresses four significant supply chain credit assessment challenges: domain shift, cold start, imbalanced-class and interpretability. Experimental results on a real-world data set demonstrate the superiority of TransCORALNet over a number of state-of-the-art baselines in terms of accuracy. The code is available on GitHub https://github.com/JieJieNiu/TransCORALN .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google