활용 사례 연구
Scaling Laws, Tabular Data and Actuarial Ratemaking Models
ARarXiv
실제 자동차 보험 데이터를 활용하여 스케일링 법칙을 적용, 다양한 딥러닝 모델의 데이터 규모 증가에 따른 성능 변화를 분석했습니다.
세 줄 요약
- 모델 종류별로 스케일링 정도가 크게 달랐으며, 특히 TabM 구조가 일반 트랜스포머나 MLP 기반 모델보다 월등히 뛰어난 데이터 확장성을 보였습니다.
- 이 연구는 보험 계리 분야에서 단순히 큰 모델을 사용하는 것보다 데이터 특성에 맞는 최적의 아키텍처 선택이 중요함을 실질적인 지침으로 제시합니다.
- 트랜스포머 같은 모델은 추가적인 구조적 편향이나 자기 지도 학습 없이 크기만 키우는 방식으로는 성능 개선에 한계가 있음을 확인했습니다.
실제 자동차 보험 데이터를 활용하여 스케일링 법칙을 적용, 다양한 딥러닝 모델의 데이터 규모 증가에 따른 성능 변화를 분석했습니다.