Federated Learning for the Design of Parametric Insurance Indices under Heterogeneous Renewable Production Losses
Di cosa parla
Si propone di usare l'apprendimento federato — cioè addestrare un modello comune senza condividere i dati grezzi — per calibrare indici assicurativi che attivano pagamenti quando gli impianti rinnovabili subiscono perdite di produzione. Ogni produttore costruisce un modello locale che tiene conto della diversa variabilità delle perdite; l'approccio affronta il problema che una semplice media dei modelli favorisce chi ha microclimi più stabili e suggerisce aggregazioni corrette. Test su un gruppo di impianti in Germania mostrano che i metodi federati scalano meglio e sono molto più rapidi rispetto a una tecnica di approssimazione usata in precedenza.
Cosa permette di osservare
Permette di esplorare se si possono costruire indici assicurativi comuni senza scambiare dati sensibili, come evitare che l'aggregazione privilegi produttori già stabili e quale modo di combinare i modelli regge meglio quando i produttori sono molto diversi tra loro.
Dalla fonte
We propose a federated learning framework for the calibration of parametric insurance indices under heterogeneous renewable energy production losses. Producers locally model their losses using Tweedie generalized linear models and private data, while a common index is learned through federated optimization without sharing raw observations. The approach accommodates heterogeneity in variance and link functions and directly minimizes a global deviance objective in a distributed setting. We establish theoretical guarantees under sub-exponential covariate distributions, showing that the Lipschitz constants of the local Tweedie objectives scale as $\frac{1}{\phi_i}$, where $\phi_i$ is the dispersion parameter of producer $i$. This heterogeneity in smoothness causes naive federated averaging to be biased toward producers with stable microclimates --- precisely those least in need of basis-ris…