🤖 machine learning

LSTM-Based Detection of Structural Breaks in Property Insurance Loss Reserving: A Climate-Informed Approach

यह शोध पत्र संपत्ति बीमा हानि आरक्षण (property insurance loss reserving) में संरचनात्मक परिवर्तनों (structural breaks) का पता लगाने के लिए जलवायु-समृद्ध एलएसटीएम (LSTM) न्यूरल नेटवर्क का उपयोग करने वाले एक अनुसंधान कार्यक्रम का प्रस्ताव करता है, जिसका लक्ष्य पारंपरिक बीमांकिक विधियों की तुलना में सटीकता और अनुकूलन क्षमता में बेहतर प्रदर्शन करना है और साथ ही औपचारिक प्रदर्शन गारंटी के साथ एक सैद्धांतिक ढांचा प्रदान करना है।

मूल लेखक: Thomas Mbrice, Shashwat Panigrahi

प्रकाशित 2026-06-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Thomas Mbrice, Shashwat Panigrahi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ श्वेत पत्र (white paper) का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ अनुवाद दिया गया है।

बड़ी समस्या: जब नियम बदल जाते हैं

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि कार की मरम्मत में कितना खर्च आएगा, इस आधार पर कि मैकेनिक ने उस पर कितना समय बिताया है। अतीत में, आप पिछली पाँच कारों को देख सकते थे, यह देख सकते थे कि उन सभी को ठीक करने में लगभग तीन दिन लगे और $500 का खर्च आया, और आत्मविश्वास से कह सकते थे, "इस नई कार में भी तीन दिन लगेंगे और$ 500 खर्च होंगे।"

बीमा कंपनियाँ वर्तमान में यह अनुमान लगाने के लिए इसी तरह का उपयोग करती हैं कि उन्हें भविष्य के दावों (claims) के लिए कितना पैसा अलग रख लेना चाहिए (जिसे लॉस रिज़र्विंग/loss reserving कहा जाता है)। वे भविष्य की भविष्यवाणी करने के लिए अतीत को देखती हैं।

लेकिन दुनिया बदल गई है। जलवायु परिवर्तन के कारण, तूफान (hurricanes) अधिक शक्तिशाली हो रहे हैं, और तूफान के बाद लोग घरों की मरम्मत या मुकदमों के तरीके में बदलाव आया है।

पुराना तरीका (चेन लैडर/Chain Ladder): यह तरीका एक धीमी गति वाले ट्रक की तरह है। इसे यह समझने में 3 से 5 साल का नया डेटा लग जाता है कि, "अरे, नियम बदल गए हैं! अब मरम्मत में 6 महीने लगते हैं और लागत $1,000 हो गई है।" जब तक ट्रक को यह एहसास होता है कि रास्ता बदल गया है, तब तक बीमा कंपनी अपना ईंधन (पैसा) खत्म कर चुकी होती है।
परिणाम: फ्लोरिडा और लुइसियाना जैसे स्थानों में, कई बीमा कंपनियाँ दिवालिया हो गईं क्योंकि उनका "पुराना नक्शा" तूफान इयान (Ian) और इडा (Ida) जैसी बड़ी आपदाओं के बाद "नए इलाके" से मेल नहीं खा रहा था।

नया समाधान: "स्मार्ट जीपीएस" (LSTM)

यह पेपर एक नए टूल का प्रस्ताव देता है जिसे LSTM (लॉन्ग शॉर्ट-टर्म मेमोरी/Long Short-Term Memory) कहा जाता है। इसे एक ट्रक के रूप में नहीं, बल्कि एक स्मार्ट जीपीएस के रूप में सोचें जो वास्तविक समय (real-time) में सीखता है।

यह कैसे काम करता है: पुराने तरीके के विपरीत, जो केवल पिछले पांच दौरों का औसत निकालता है, LSTM में एक "मेमोरी गेट" (स्मृति द्वार) होता है।
- फॉरगेट गेट (Forget Gate): जब कोई भीषण तूफान आता है और मरम्मत की लागत अचानक आसमान छूने लगती है, तो LSTM का "फॉरगेट गेट" खुल जाता है। यह कहता है, "ठीक है, पिछले पाँच शांत वर्षों का डेटा अब बेकार है। इसे हटा दो।"
- इनपुट गेट (Input Gate): यह तुरंत नई जानकारी पकड़ लेता है, जैसे कि समुद्र का पानी कितना गर्म है (जो तूफान की ताकत का संकेत देता है) और हवा की गति कितनी तेज़ है।
- परिणाम: यह पैटर्न बदलने का इंतज़ार करने के बजाय लगभग तुरंत अपनी भविष्यवाणी को अपडेट कर देता है।

गुप्त सामग्री: मौसम का डेटा

पेपर का तर्क है कि आप केवल बीमा दावों को देखकर अनुमान नहीं लगा सकते; आपको मौसम को भी देखना होगा।

उपमा (Analogy): कल्पना कीजिए कि आप अनुमान लगाने की कोशिश कर रहे हैं कि क्या पिकनिक खराब हो जाएगी।
- तरीका A (पुराना तरीका): आप पिछली 5 पिकनिक देखते हैं। वे सभी धूप वाली थीं। आप धूप वाले दिन की भविष्यवाणी करते हैं।
- तरीका B (मौसम के साथ LSTM): आप पिछली 5 पिकनिक देखते हैं, लेकिन आप रडार और समुद्र के तापमान को भी देखते हैं। आप देखते हैं कि एक बड़ा तूफान बन रहा है। भले ही पिछली 5 पिकनिक धूप वाली थीं, आपका स्मार्ट जीपीएस कहता है, "पिकनिक रद्द करें; तूफान आ रहा है।"
पेपर गणितीय रूप से सिद्ध करता है कि मौसम के डेटा (जैसे समुद्र की सतह का तापमान) को जोड़ने से AI, केवल पैसों को देखने की तुलना में "स्ट्रक्चरल ब्रेक" (वह क्षण जब चीजें बदल जाती हैं) को बहुत तेज़ी से पहचान सकता है।

गणितीय प्रमाण (सरलीकृत)

लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने यह दिखाने के लिए एक गणितीय प्रमाण लिखा कि यह क्यों काम करता है।

निष्कर्ष: उन्होंने सिद्ध किया कि पुराने तरीके (चेन लैडर) को यह विश्वास करने के लिए कि नियम बदल गए हैं, गणितीय रूप से कुछ वर्षों (कम से कम 4 या 5) का इंतज़ार करना पड़ता है।
लाभ: LSTM, क्योंकि यह पुराने नियमों को "भूल" सकता है और नए नियमों को तुरंत सीख सकता है, घटना होने के एक अवधि (एक तिमाही) के भीतर बदलाव को पकड़ सकता है, जबकि पुराना तरीका अभी भी अधिक डेटा का इंतज़ार कर रहा होता है। यह बीमा कंपनी को वास्तविकता से 4 तिमाहियों की बढ़त देता है।

उन्होंने वास्तव में क्या परीक्षण किया

शोधकर्ताओं ने केवल सिद्धांत नहीं बनाया; उन्होंने वास्तविक डेटा के साथ इसका परीक्षण किया:

डेटा: उन्होंने फ्लोरिडा और लुइसियाना के 15+ वर्षों के वास्तविक बीमा रिकॉर्ड का उपयोग किया।
परीक्षण: उन्होंने अपने AI को "सामान्य" वर्षों (2007-2016) पर प्रशिक्षित किया और फिर "अराजकता" वाले वर्षों (2017-2023) पर परीक्षण किया जब तूफान इडा और इयान आए।
लक्ष्य: वे यह देखना चाहते थे कि क्या उनका AI इन आपदा वर्षों के दौरान पुराने तरीकों की तुलना में दावों की अंतिम लागत को 15-20% अधिक सटीकता से बता सकता है।

"ब्लैक बॉक्स" समस्या (व्याख्यात्मकता)

AI के साथ एक बड़ी चिंता यह है कि यह एक "ब्लैक बॉक्स" है—आप उत्तर तो जानते हैं, लेकिन आप यह नहीं जानते कि क्यों।

समाधान: यह विशिष्ट AI एक अटेंशन मैकेनिज्म (Attention Mechanism) का उपयोग करता है। इसे एक हाइलाइटर के रूप में समझें। जब AI कोई अनुमान लगाता है, तो वह हाइलाइट करता है कि उसने डेटा के किन हिस्सों का उपयोग किया है।
महत्व: यदि कोई बीमा नियामक (regulator) पूछता है, "आपने इतना पैसा अलग क्यों रखा?" तो AI इशारा कर सकता है और कह सकता है, "क्योंकि इस विशिष्ट तिमाही में समुद्र का तापमान अधिक था और हवा की गति अत्यधिक थी।" यह AI को भरोसेमंद बनाता है ताकि नियामक इसे स्वीकार कर सकें।

दावों का सारांश

समस्या: पुराना बीमा गणित जलवायु-जनित आपदाओं के प्रति प्रतिक्रिया देने में बहुत धीमा है, जिससे दिवालियापन की स्थिति पैदा होती है।
समाधान: एक AI (LSTM) जो पुराने पैटर्न को "भूल" सकता है और मौसम के डेटा के साथ मिलकर तुरंत नए पैटर्न सीख सकता है।
प्रमाण: गणित दर्शाता है कि AI पुराने तरीके की तुलना में 4 तिमाहियों पहले बदलाव को पहचान लेता है।
लक्ष्य: आपदाओं की लागत का अधिक सटीक और तेज़ी से अनुमान लगाकर बीमा कंपनियों को पैसा खत्म होने से बचाना।

यह पेपर क्या दावा नहीं करता है:

यह दावा नहीं करता कि यह तूफानों को रोक देगा।
यह दावा नहीं करता कि बिना परीक्षण के यह हर प्रकार के बीमा (जैसे स्वास्थ्य या जीवन बीमा) के लिए काम करेगा।
यह दावा नहीं करता कि AI पूर्ण (perfect) है; यह स्वीकार करता है कि यदि मौसम के पैटर्न ऐसे बदलते हैं जिन्हें AI ने पहले कभी नहीं देखा है, तो इसे संघर्ष करना पड़ सकता है।
यह वादा नहीं करता कि नियामक इसे कल ही स्वीकार कर लेंगे; यह नोट करता है कि विनियमन (regulation) धीमी प्रक्रिया है और यह केवल उस लक्ष्य की ओर एक कदम है।

तकनीकी सारांश: संपत्ति बीमा हानि आरक्षण (Loss Reserving) में संरचनात्मक परिवर्तनों (Structural Breaks) का LSTM-आधारित पता लगाना

1. समस्या विवरण (Problem Statement)

सटीक हानि आरक्षण (loss reserving) संपत्ति-दुर्घटना बीमाकर्ताओं की शोधनक्षमता (solvency) के लिए महत्वपूर्ण है। पारंपरिक बीमा गणितीय (actuarial) विधियाँ, जैसे कि चेन लैडर (Chain Ladder), बोर्नहुटर-फर्ग्यूसन (Bornhuetter-Ferguson), और केप कॉड (Cape Cod), इस धारणा पर निर्भर करती हैं कि हानि विकास पैटर्न दुर्घटना वर्षों (accident years) में स्थिर रहते हैं। हालांकि, त्वरित जलवायु-जनित आपदाओं (जैसे कि हुरिकेन इडा और इयान) और सामाजिक मुद्रास्फीति (जैसे कि असाइनमेंट ऑफ बेनिफिट्स मुकदमेबाजी) ने इस स्थिरता को मौलिक रूप से बाधित कर दिया है, जिससे "संरचनात्मक परिवर्तन" (structural breaks) उत्पन्न हुए हैं जहाँ ऐतिहासिक डेटा भविष्य के विकास की भविष्यवाणी करने में विफल रहता है।

पारंपरिक विधियाँ पहचान में महत्वपूर्ण विलंब (detection lags) से ग्रस्त होती हैं। उदाहरण के लिए, चेन लैडर को शासन परिवर्तन (regime shift) को पहचानने के लिए आमतौर पर 3-5 विकास अवधियों की आवश्यकता होती है, जिसके परिणामस्वरूप आपदा वर्षों के दौरान रिजर्व त्रुटियां अक्सर 30% से अधिक हो जाती हैं। संबोधित किया जाने वाला मुख्य मुद्दा अचानक परिवर्तनशील हानि गंभीरता (severity), आवृत्ति (frequency) और विकास समयसीमा (development timelines) के प्रति अनुकूलित होने में स्थिर, पश्चगामी औसत नियमों (backward-looking averaging rules) की अक्षमता है, जो जलवायु और कानूनी वातावरण द्वारा संचालित होते हैं।

2. कार्यप्रणाली (Methodology)

2.1 डेटा और प्रयोगात्मक डिजाइन

यह शोध फ्लोरिडा और लुइसियाना (2007-2023) के नियामक विकास त्रिकोण (regulatory development triangle) डेटा का उपयोग करता है, जिसमें लगभग 140 कंपनी-लाइन संयोजन शामिल हैं। डेटासेट को NOAA से बाहरी जलवायु चरों (exogenous climate variables) के साथ समृद्ध किया गया है, जिसमें संचित चक्रवात ऊर्जा (Accumulated Cyclone Energy - ACE), समुद्र की सतह का तापमान (SST), और हुरिकेन तीव्रता सूचकांक शामिल हैं।

अध्ययन वास्तविक दुनिया की तैनाती का अनुकरण करने के लिए एक सख्त टेम्पोरल वैलिडेशन स्प्लिट (temporal validation split) का उपयोग करता है:

प्रशिक्षण (2007–2011): सभी विकास अवधियों सहित ऐतिहासिक डेटा।
वैलिडेशन (2012–2016): हाइपरपैरामीटर ट्यूनिंग के लिए गैर-आपदा वर्ष।
परीक्षण (2017–2023): आपदा-प्रधान वर्ष (हुरिकेन माइकल, इडा और इयान सहित) ताकि संरचनात्मक परिवर्तन का पता लगाने का मूल्यांकन किया जा सके।

2.2 मॉडल आर्किटेक्चर

प्राथमिक मॉडल एक बिडायरेक्शनल LSTM विद अटेंशन मैकेनिज्म (Bidirectional LSTM with Attention mechanisms) है, जिसे सूचना को चयनात्मक रूप से वेट (weight) करने के साथ-साथ अल्पकालिक और दीर्घकालिक स्मृति बनाए रखने के लिए डिज़ाइन किया गया है।

आर्किटेक्चर: दो बिडायरेक्शनल LSTM परतें (128 और 64 यूनिट्स) इसके बाद एक बदानाउ (Bahdanau) अटेंशन लेयर, एक डेंस ReLU लेयर, और अंतिम हानि अनुमान के लिए एक सिंगल-यूनिट आउटपुट।
गेटिंग मैकेनिज्म (Gating Mechanisms): मॉडल पुराने पैटर्न को त्यागने के लिए 'फॉरगेट गेट्स' (forget gates) और नई वितरण संबंधी जानकारी को तेजी से शामिल करने के लिए 'इनपुट गेट्स' (input gates) का उपयोग करता है।
व्याख्यात्मकता (Interpretability): अटेंशन लेयर विकास अवधियों पर वेट प्रदान करती है, जिससे यह पहचान होता है कि किन तिमाहियों ने रिजर्व अनुमान को सबसे अधिक प्रभावित किया, जो औचित्य (justification) की नियामक आवश्यकताओं को पूरा करता है।
लॉस फंक्शन (Loss Function): एक कस्टम रिसेंसी-वेटेड लॉस फंक्शन ( $L = \sum w_t (y_t - \hat{y}_t)^2$ ) का उपयोग किया जाता है जो हालिया अवधियों में त्रुटियों को अधिक दंडित करता है, जिससे हालिया शासन परिवर्तनों (regime shifts) का पता लगाने में मदद मिलती है।

2.3 सैद्धांतिक ढांचा (Theoretical Framework)

परीक्षण अवधि में केवल चार प्रमुख आपदा घटनाओं की सीमा को संबोधित करने के लिए, लेखक एक औपचारिक संभाव्यता ढांचा विकसित करते हैं:

संरural ब्रेक की परिभाषा: इसे समय $\tau$ पर डेटा-जनरेटिंग प्रोसेस पैरामीटर्स ( $\theta_A \to \theta_B$ ) में परिवर्तन के रूप में परिभाषित किया गया है।
चेन लैडर बायस: पेपर सिद्ध करता है (लेम्मा 3.8) कि चेन लैडर एस्टिमेटर्स ब्रेक के बाद कम से कम $k$ अवधियों के लिए पक्षपाती (biased) रहते हैं (जहाँ $k$ औसत विंडो का आकार है, जो आमतौर पर 5 होता है), क्योंकि वे प्री-ब्रेक और पोस्ट-ब्रेक डेटा के वॉल्यूम-वेटेड एवरेज पर निर्भर करते हैं।
LSTM अभिसरण (Convergence): थ्योरम 3.13 स्थापित करता है कि, एक "रीजीम-कवरिंग प्री-ट्रेनिंग" स्थिति के तहत (जहाँ मॉडल को उन जलवायु विशेषताओं के संपर्क में लाया जाता है जो नए शासन के साथ सहसंबंध रखते हैं), एक LSTM संरचनात्मक ब्रेक का पता लगा सकता है और चेन लैडर की तुलना में कम से कम $k-1$ अवधियों में वास्तविक हानि अनुमान की ओर अभिसरित हो सकता है।
जलवायु फीचर की आवश्यकता: कोरोलरी 3.15 प्रदर्शित करता है कि जलवायु चरों को एकीकृत करना (जहाँ $I(L_T; C | x_{1:t}) > 0$ ) सैद्धांतिक रूप से केवल त्रिकोण-आधारित मॉडलों की तुलना में माध्य पूर्ण त्रुटि (MAE) को कम करता है, भले ही बड़े आपदा सैंपल न हों, क्योंकि यह सशर्त भिन्नता (conditional variance) को कम करता है।

2.4 मूल्यांकन मेट्रिक्स (Evaluation Metrics)

अध्ययन निम्नलिखित का उपयोग करके प्रदर्शन का मूल्यांकन करता है:

रिजर्व सटीकता अनुपात (Reserve Accuracy Ratio - RAR): लक्ष्य 1.0।
वन-ईयर डेवलपमेंट (OYD) टेस्ट: उद्योग बेंचमार्क $\pm 15\%$ ।
MAPE और RMSE: प्री-ब्रेक, ड्यूरिंग-ब्रेक और पोस्ट-ब्रेक अवधियों के लिए अलग-अलग गणना की गई।
डिटेक्शन स्पीड: संरचनात्मक ब्रेक से लेकर मॉडल भविष्यवाणी के 10% से अधिक समायोजित होने तक व्यतीत हुई तिमाहियों की संख्या।
सांख्यिकीय परीक्षण: भविष्य कहनेवाला सटीकता के लिए डाइल्ड-मारियानो (Diebold-Mariano) परीक्षण और मीडियन एरर अंतर के लिए विल्कोक्सन साइन्ड-रैंक (Wilcoxon signed-rank) परीक्षण।

3. प्रमुख योगदान (Key Contributions)

3.1 सैद्धांतिक योगदान

औपचारिक अभिसरण गारंटी: पेपर पहली बार औपचारिक प्रमाण प्रदान करता है कि संरचनात्मक ब्रेक के बाद LSTM-आधारित आरक्षण, चेन लैडर की तुलना में तेजी से वास्तविक अंतिम हानि की ओर अभिसरित हो सकता है, जिसे कम से कम $k-1$ विकास अवधियों के रूप में मापा गया है।
क्लाइमेट-फीचर औचित्य: यह एक सैद्धांतिक आधार (कोरोलरी 3.15) प्रदान करता है कि क्यों बाहरी जलवायु चर केवल सटीकता बढ़ाने वाले नहीं हैं, बल्कि कम-डेटा वाले शासनों में तीव्र पहचान के लिए एक पूर्व शर्त हैं।

3.2 पद्धतिगत योगदान

एब्लेशन अध्ययन (Ablation Studies): अनुसंधान पांच एब्लेशन मॉडलों के माध्यम से विशिष्ट घटकों (जलवायु चर, अटेंशन मैकेनिज्म, बिडायरेक्शनल लेयर्स) के प्रभाव को अलग करता है।
नियमितता और व्याख्यात्मकता: अटेंशन मैकेनिज्म और गेट डायनेमिक्स विश्लेषण का एकीकरण (परिकल्पना H4), डीप लर्निंग की व्याख्यात्मकता को बीमा गणितीय मानकों के अनुरूप बनाता है।
लॉस फंक्शन नवाचार: कॉन्सेप्ट ड्रिफ्ट (concept drift) के संदर्भ में वित्तीय प्रतिगमन (financial regression) के लिए रिसेंसी-वेटेड लॉस फंक्शन का अनुप्रयोग।

3.3 व्यावहारिक उद्योग प्रभाव

शोधनक्षमता जोखिम में कमी: संरचनात्मक परिवर्तनों का तेजी से पता लगाकर, यह दृष्टिकोण रिजर्व कमी जोखिमों और बीमाकर्ता दिवालियापन की संभावना को कम करने का लक्ष्य रखता है।
नियामक प्रारंभिक चेतावनी (Regulatory Early Warning): डिटेक्शन स्पीड मेट्रिक्स को राज्य बीमा नियामकों के लिए एक संभावित प्रारंभिक चेतावनी परत के रूप में प्रस्तावित किया गया है।

4. अपेक्षित परिणाम और परिकल्पनाएं (Expected Results and Hypotheses)

पेपर परीक्षण के लिए पांच विशिष्ट परिकल्पनाएं रेखांकित करता है:

H1 (डिटेक्शन स्पीड): LSTMs 70%+ परिदृश्यों में पारंपरिक तरीकों की तुलना में कम से कम 2 अवधियों में ब्रेक का पता लगाएंगे।
H2 (सटीकता): LSTMs चेन लैडर की तुलना में कम से कम 15% कम पोस्ट-ब्रेक MAPE प्राप्त करेंगे।
H3 (जलवायु चर): जलवायु-संवर्धित LSTMs आपदा वर्षों में केवल त्रिकोण-आधारित मॉडलों की तुलना में कम से कम 10% बेहतर MAPE प्रदर्शित करेंगे।
H4 (गेट डायनेमिक्स): ब्रेक अवधियों के दौरान फॉरगेट गेट एक्टिवेशन गुणात्मक रूप से बड़े मान दिखाएंगे (सीमित सैंपल साइज के कारण इसे एक खोजपूर्ण उद्देश्य के रूप में माना गया है)।
H5 (नियमितीकरण): ड्रॉपआउट और L2 रेगुलराइजेशन आपदा घटनाओं पर ओवरफिटिंग को कम से कम 25% तक कम करेगा।

5. महत्व और सीमाएं (Significance and Limitations)

पेपर इस शोध को विशेष रूप से संरचनात्मक ब्रेक का पता लगाने के लिए LSTM बनाम पारंपरिक विधियों के एक कठोर तुलना के रूप में प्रस्तुत करता है, जो अनुभवजन्य डेटा और औपचारिक सिद्धांत दोनों पर आधारित है। यह दावा करता है कि यह अटेंशन वेट (attention weights) जैसे व्याख्यात्मक उपकरणों के माध्यम से बीमा गणितीय विज्ञान और मशीन लर्निंग के बीच के अंतर को पाटता है जो नियामक मानकों के अनुरूप हैं।

लेखकों द्वारा स्वीकार की गई सीमाएं इस प्रकार हैं:

भौगोलिक दायरा: परिणाम फ्लोरिडा और लुइसियाना से प्राप्त किए गए हैं, जो अन्य क्षेत्रों या जोखिमों के लिए सामान्यीकरण को सीमित कर सकते हैं।
सैंपल साइज: परीक्षण अवधि में केवल चार प्रमुख आपदा घटनाएं हैं; अतः, गेट डायनेमिक्स (H4) को सांख्यिकीय रूप से महत्वपूर्ण परीक्षण के बजाय प्रभाव आकार (effect sizes) के रूप में रिपोर्ट किया गया है।
कारण संबंध (Causality): अध्ययन जलवायु चरों को भविष्य कहने वाले संकेतों के रूप में मानता है और SST विसंगतियों और हानि गंभीरता के बीच कारण पथ (causal pathways) स्थापित नहीं करता है।
अपनाने में बाधाएं: लेखक नोट करते हैं कि LSTM मॉडल के मूल्यांकन की जटिलता और त्रैमासिक पुन: प्रशिक्षण (quarterly retraining) के लिए आवश्यक कम्प्यूटेशनल इंफ्रास्ट्रक्चर के कारण नियामक स्वीकृति धीमी हो सकती है।

अनुसंधान निष्कर्ष निकालता है कि जबकि LSTM मॉडल जलवायु-जनित संरचनात्मक परिवर्तनों के अनुकूल होने के लिए एक सैद्धांतिक और अनुभवजन्य रूप से बेहतर तंत्र प्रदान करते हैं, उनका व्यापक रूप से अपनाना नियामक बाधाओं और कम्प्यूटेशनल बाधाओं को दूर करने पर निर्भर करता है।