可解释的信用风险选择性学习
本研究利用机器学习模型对信用卡违约进行预测,通过一系列实验和数据处理技术,结果表明多层感知器神经网络(MLP)在预测信用卡违约和评估潜在风险方面表现优越,帮助银行等金融机构更早地预测贷款违约。
Oct, 2023
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
该研究提出了一种利用模型非参数不确定性估计的选择性回归方法,通过全面的基准测试在 69 个数据集上展示了该框架优于现有选择性回归方法的性能,并使用可解释的人工智能技术对选择性回归的动因进行了理解。
Nov, 2023
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
该研究探讨了如何创建足够准确、透明、可解释的再犯预测模型以用于决策,使用了流行的机器学习方法来创建沿全 ROC 曲线的模型,并使用 SLIM 方法创建精确、透明、可解释的模型,可用于各种不同的用例,因为它们与最强大的黑盒机器学习模型一样准确,但完全透明和高度可解释。
Mar, 2015
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
本文基于因果关系假设,将因果技术纳入预测建模中,提出一种新的因果正则化逻辑回归(Causally Regularized Logistic Regression,CRLR)算法,以共同优化全局混杂因素平衡和加权逻辑回归,以解决对假设的无知选择偏差对实际应用中的稳健模型学习的重要性问题。
Aug, 2017