我们提出了基于 CANN 框架的新型交叉 - sectional 和纵向索赔计数模型，该框架结合了由 Mario Wüthrich 和 Michael Merz 提出的经典精算模型（如广义线性模型）和神经网络。我们的模型使用著名的对数线性索赔计数回归模型来处理经典回归部分，并使用多层感知器（MLP）来处理描述每个投保人驾驶行为的遥测汽车驾驶数据。此外，我们还提出了一种使用多变量负二项分布训练 CANN 模型的方法。我们的结果表明，与依赖手工特征工程的对数线性模型相比，CANN 模型表现出更好的性能。

Aug, 2023

本文介绍一种使用多任务神经网络架构进行索赔预测的技术解决方案，该模型能够使用只有部分受保护特征信息的数据进行训练，并且生成的价格不受间接歧视影响，且其性能在有部分缺失政策持有人信息的情况下具有明显的优势。

Jul, 2022

该研究提出了一种神经网络模型，用于准确预测电子商务中的购物意愿，并通过可训练的向量空间模型协助解决了传统方法中需要大量特征工程所需的资源和时间消耗的问题，同时，多层循环神经网络也能够捕捉长期和短期事件依赖关系和关联，取得了 98％与先进技术相当、甚至超过先进技术的分类准确率，无需进行特定领域或数据集相关的特征工程。

Jul, 2018

该研究针对保险定价中存在的公平性和歧视问题，在充分考虑多种定价因素的基础上，提出了一种全新的定价模型方法，可以有效减少多种关键定价因素带来的不公平性问题，并优化预测准确度。

Feb, 2022

该研究旨在开发一种先进的高频交易算法，并比较三种不同的数学模型的性能：交叉熵损失函数和拟牛顿算法的组合、FCNN 模型和向量机。该算法利用神经网络预测生成交易信号，并基于特定条件执行买入和卖出操作，通过利用神经网络的力量提高交易策略的准确性和可靠性。该研究通过评估三种数学模型的性能来评估算法的有效性，并通过比较这三种模型的性能，旨在确定高频交易的最有效方法。该研究通过引入一种新的对高频交易的方法，为投资者提供了一种更准确可靠的股票交易策略。

Sep, 2023

本文提出两种使用深度神经网络来预测用户响应的新模型，通过三种特征转换方法的借助，能够自动学习有效的分类特征交互模式，并对用户的广告点击进行预测。大规模的实验表明，我们的方法比现有主流模型更好。

Jan, 2016

本文利用受限单调神经网络对具有竞争风险的生存分布进行建模，确保了在减少计算成本的同时实现了精确的最大似然估计，并在一项合成和三个医学数据集上展示了解决方案的有效性。最后，我们讨论了在开发医疗实践风险评分时考虑竞争风险的意义。

May, 2023

本文提出了一种基于神经网络的灵活的天气预测统计后处理技术，可以自动学习非线性关系，显著优于传统后处理方法，并可以被扩展到其他统计后处理和预测问题。

May, 2018

提出一种新的层级似然学习框架，将伽马随机效应引入 Poisson 深度神经网络，以捕捉输入变量的非线性效应和主题特定的聚类效应，从而提高预测性能。该方法通过优化单一目标函数同时获得固定参数的最大似然估计值和随机效应的最佳无偏预测器，为处理包含高基数分类特征的聚类计数数据提供了一个快速端到端算法。并且，可以很容易地将最新的网络架构实施到提出的 h - 似然框架中，例如多头注意力层和稀疏最大函数，用于在高维环境中进行特征选择。为了提高实际性能和学习效率，还通过调整过程来预测随机参数，并使用矩量法估计方差分量进行预训练。各种实验研究和真实数据分析证实了我们提出方法的优势。

Oct, 2023

该研究提出了一种基于贝叶斯循环神经网络和谱归一化的交通预测模型框架，能够提供不确定性估计和更好地适应不同数据集的环境，从而在交通数据预测任务中提高了准确性。

Jul, 2023