Sep, 2017

使用 CLEAR-Trade 揭示金融 AI 的黑匣子：一种基于类别增强的关注响应方法，用于解释和可视化深度学习驱动的股市预测

PDF
TL;DR本文提出了 CLEAR-Trade，一个新的金融 AI 可视化框架，用于深度学习驱动的股票市场预测，以解决深度学习方法的可解释性问题并提高其在金融行业中的应用。通过对 S＆P 500 股票指数预测的实验，结果表明，CLEAR-Trade 可以为解释深度学习驱动的金融模型做出的决策提供重要洞见，并提高其在监管流程方面的潜在应用。
deep learninginterpretabilityfinancial aivisualizationstock market prediction
发现论文，激发创造
  • 解释未解释的部分：一种增强类别注意力响应的方法（CLEAR）用于理解深度神经网络

    本研究提出了一种名为 CLEAR 的方法，该方法集成了注意力机制并能可视化神经网络在决策过程中的决策区域、兴趣等级和相关的最主要类别，实现了对神经网络决策过程更好的深入理解，并在不同数据集上的定量和定性实验中得到了有效性的证明。

    Apr, 2017

  • 基于强化学习的金融视觉交易策略

    人工智能交易虽然取得了显著的超人表现，但其潜在的黑匣子决策带来了风险。适当监督和透明性是确保该技术成功应用于交易领域的关键。

    Feb, 2022

  • 可解释的人工智能：理解、可视化和解释深度学习模型

    基于深度学习的解释性可视化方法在人工智能领域日益被重视，本文总结了目前解释深度学习模型的最新发展，并提出两种解释预测的方法，并将这些方法用于三个分类任务中进行评估。

    Aug, 2017

  • 面向可解释的人工智能

    本文介绍了机器学习和深度学习算法在科学和工业领域中的应用及其不透明性问题，提出了解释性学习算法和可视化方法的重要性。

    Sep, 2019

  • 金融可解释人工智能综合评论

    本文通过对金融领域中深度学习模型可解释性方法的比较研究，对人工智能和深度学习模型的成功及其在各个行业中的广泛应用进行了讨论，并对可解释性人工智能方法的分类、关注点和挑战进行了综述，并提出了未来方向。

    Sep, 2023

  • 将领域知识融入基于 AI 的 “黑箱” 模型，以提高其可解释性并应用于破产预测

    本文介绍了一个将领域知识存在一个 “黑匣子” 模型中的方法以提高模型的解释性和可理解性，为银行破产预测等领域带来更好的应用前景。

    May, 2019

  • AlphaStock：使用解释性深度强化关注网络的买赢家卖输家投资策略

    本文提出了一种结合解释性深度注意力网络的强化学习投资策略，将深度学习方法应用于量化交易，提高投资策略的风险收益平衡度和可解释性，并实现了资产间关系和高成长、低波动、高内在价值和被低估的股票的选择，经过对美国和中国市场的实验验证，此策略具有较高的效果和稳健性。

    Jul, 2019

  • 破解黑匣子：梳理深入体育分析

    研究关注于解决深度学习在运动分析中精度和透明度的权衡问题，并且构建一种基于模型树的简单透明模型，以实现高保真输出、自我解释和为运动员和教练等专家利益相关者提供见解的目标。

    Jun, 2020

  • 构建医学领域可解释的 AI 系统需要什么？

    本篇论文介绍了医学领域中解释性人工智能的研究，强调让人们能够透明地理解和信任 AI/ML 技术的重要性，主要关注于图像、* 组学数据和文本三个方面。

    Dec, 2017

  • 计算机视觉黑匣子深度神经网络解释器分析：综述

    探讨各种用于计算机视觉任务的深度神经网络的解释器和解释系统，比较了几篇有关可解释性的调查论文，并归纳出了进一步的研究方向。

    Nov, 2019