Scaling Laws, Tabellendaten und aktuarielle Ratemaking-Modelle

arXiv:2609.03106v1 Ankündigungstyp: neu Abstract: Scaling Laws im modernen Deep Learning beschreiben, wie sich der Held-Out Loss verbessert, wenn Modellkapazität, Trainingsdaten und Compute zunehmen, oft nach Power-Law-Trends. Wir untersuchen, ob analoge Scaling-Regelmäßigkeiten in aktuarieller Ratemaking entstehen, wo