本文提出了一种支持决策者做出公正的借贷决策的框架,其中包含可解释的机器学习模型、可交互的可视化工具以及三种类型的解释。该框架通过提供全局与个性化的解释获得了 FICO 的认可奖。
Jun, 2021
金融服务业在信贷决策时面临着遵守法规和道德考虑方面的独特可解释性和公平性挑战,这些挑战复杂化了在业务决策过程中使用模型机器学习和人工智能的方法。
Sep, 2018
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
本研究是关于解决传统的 logistic 回归模型的精度和可解释性问题,引入了一种具有可解释性的选择性神经网络模型,主要应用于信贷风险评估领域,同时本文也在研究中比较了各种模型的优劣,得出结论,浅层神经网络能更好地提升精度而不显著牺牲解释性。
Sep, 2022
本文提出了一种基于深度学习方法的银行零售客户信用评分的新方法。我们使用 RNNs 分析精细的跨国数据来为贷款申请人计算信用评分,并证明我们的方法显著优于基于某大型欧洲银行客户数据的基线方法。此外,我们在银行的贷款申请人上开展 pilot study,该研究为该机构带来了显著的财务收益。本文还描述了我们的方法具有的其他一些非常重要的优势。
Nov, 2019
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
本文提出了一种新的信用风险评估方法,采用深度循环卷积神经网络并利用长期历史金融数据序列的新型信用卡交易抽样技术,优于现有的基于树模型的方法,能够实现显著的金融节约和更早的信用风险检测。
Dec, 2020
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
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
本文提出了一种可解释的两层加性风险模型,该模型可用于信用风险评估,并提供了三种更简单的解释方法以及新的在线可视化工具。
Nov, 2018