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

本文提出了一种方法，通过对黑匣子分类器的决策函数进行抽样来学习可解释的替代模型，从而获得全局解释。该方法提供了一种统一解决方案，以简单的分类器逼近非线性决策边界，同时保持原来的分类准确性。我们使用私人住宅抵押违约数据集作为示例，说明了这种方法确保预处理期间属性的可分解性的可行性。

Nov, 2018

本文提出了一种基于 RRL 的内在可解释模型，其可对每个特征分成三类构建三个类似于神经网络的子网络，每个子网络均可等效转换为一组规则，并通过学习二进制权重的技巧有效地训练，相比可解释的决策树在性能上更优，接近于其他黑匣子，是对金融机构和借款人具有实际意义的。同时，本模型还用于测试后评方法生成的解释的准确性，结果表明后评方法不总是可靠的。

Apr, 2023

该篇论文初步探讨了运用神经网络进行信用风险评估时，为提高模型的可解释性，已提出了一些技术。

Nov, 2018

在分析建模中，可解释人工智能（XAI）有一个对应的概念，我们称之为模型解释性。我们在预测模型的上下文中处理模型解释性问题，并通过执行和比较四种不同的预测方法，应用当前文献中所知的最佳解释技术来分析一家信用卡公司的贷款数据集，以确定特征重要性（FI）（静态案例），并最终在连续和分类变量的何种预测场景下交叉验证 FI 集合的准确性（动态案例）。我们发现了静态和动态案例之间 FI 识别的不一致性，并总结了模型解释性的最新进展，并建议进一步研究以推动该领域。

May, 2024

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

本文提供了一种新颖的量化指标框架，用于解释分类器和回归模型的预测结果，旨在提高人工智能系统的透明度和可信度。应用公开数据集，展示了这些指标如何更全面地理解模型预测，并在决策者和利益相关者之间促进更好的沟通，从而增加人工智能系统的整体透明度和问责度。

Feb, 2023

为了解释黑盒模型，本文提出使用决策树对其进行全局解释，并采用新的决策树提取算法避免过拟合，评估表明该方法正确率更高且可解释性更强。

May, 2017

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

生成全球模型解释将促进人们更好地理解和做出决策，从而引导设计可信和实用的健康信息系统。

Sep, 2023