Jun, 2021

金融借贷中的解释性综合方法：模型、可视化和总结说明

PDF
TL;DR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。
lending decisionsglobal interpretable machine learning modelinteractive visualizationexplanationsexplainable machine learning
发现论文，激发创造
  • 一种具有全局一致解释的可解释模型，用于信用风险评估

    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

  • 面向信贷借贷的可解释深度学习：案例研究

    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

  • 基于规则表示学习器的可解释贷款信用评估方法

    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

  • 针对信用风险评分的全球性解释

    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

  • 模型解释性与可解释性：朝着预测模型的透明度创造进发

    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

  • 监督式机器学习可解释性调查

    该综述论文提供了解释性监督机器学习的基本定义、原则和方法，并对过去和最近的解释性机器学习方法进行了分类和综述。通过解释性案例研究阐明了原则，并讨论了重要的未来方向。

    Nov, 2020

  • 公正贷款需要解释模型进行负责任的推荐

    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

  • 模型提取实现可解释性

    这篇论文提出一种名为模型抽取的方法，通过构建一个可解释程度更高的模型来近似黑箱模型，从而理解和调试机器学习模型在各种数据集上训练的结果，并在经典强化学习问题中学习控制策略。

    Jun, 2017

  • 机器学习模型的本地可解释模型无关 Shap 解释

    提出了一种称为 LIMASE 的局部可解释模型无关 Shap 说明法，该方法使用 Shapley 值来解释任何模型的预测，提供局部和全局可解释的解释，解决子模块优化问题，为地区解释带来见解，并在与内核解释器相比计算更快。

    Oct, 2022

  • 评估解释的统一框架

    评估可解释性模型的统一框架是该论文的重点，它介绍了各个研究群体对解释性评估的重叠和语义错位，并提出了解释的可行性和可理解性的评估标准，以及基于可解释神经网络的学习行为预测的案例。

    May, 2024