加载中...
本报告提出 Tab-TRM,一种将 Tiny Recursive Model 的潜在递归推理机制适配到保险定价的表格数据网络,通过维护可迭代更新的 answer 与 reasoning 两个前缀 token,实现参数高效的递归“改进算子”,在法国 MTPL 基准数据上以仅约14.8k参数达到有竞争力的 Poisson 偏差得分,并展示出递归动态在学习到的嵌入空间中近线性的行为与良好可解释性
| 超参数 | 值 |
|---|---|
| 嵌入维度 d = da = dz | 28 |
| 外层迭代次数 T | 6 |
| 内层迭代次数 m | 3 |
| 输出 FNN 层1 单元数 | 19 |
| 输出 FNN 层2 单元数 | 124 |
| Dropout (FNN1) | 0.2821 |
| Dropout (FNN2) | 0.4991 |
| l1-l2 正则 | 2.2539e-5 |
| 学习率 | 0.0021755 |
| Weight decay | 0.0239601 |
| 模型 | 参数量 | 测试 Poisson 偏差 (×10^-2) |
|---|---|---|
| Null model (intercept-only) | 1 | 25.445 |
| Plain FNN (ensemble) | 792 | 23.819 (±0.017) |
| Credibility Transformer (ensemble) | 1,746 | 23.711 |
| CAFFT | 27,133 | 23.726 |
| Tab-TRM (single run) | 14,820 | 23.666 (±0.027) |
| Tab-TRM (nagging ensemble) | 14,820 | 23.589 (±0.027) |
元数据与概览(引言与报告概览)
逐节深度解读
图表与视觉元素逐一解析(关键图/表逐一分析)
估值/性能比较(若将“估值”理解为模型性能度量)
风险因素评估(作者识别的风险与潜在影响)
批判性视角与细微差别(基于报告本身的审慎分析)
结论性综合(关键发现的压缩与实践含义)
附:关键表格与图像(原文引用)
如果您希望,我可以:
2601.07675.pdf