Apr, 2023

基于规则表示学习器的可解释贷款信用评估方法

PDF
TL;DR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。
发现论文，激发创造
  • 学习可解释规则的可扩展数据表示和分类

    我们提出了一种新的分类器，命名为基于规则的表示学习器（RRL），它能够自动学习用于数据表示和分类的可解释的非模糊规则，并通过连续空间和梯度移植来优化离散模型，同时设计了逻辑激活函数以提高可扩展性和连续特征离散化。与竞争的可解释方法相比，RRL 在小型和大型数据集上有更好的性能，并且可以根据不同场景的需求方便地调整分类准确性和模型复杂性的权衡。

    Oct, 2023

  • 金融借贷中的解释性综合方法：模型、可视化和总结说明

    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

  • 可解释分类规则的高效学习

    本文介绍了一种名为 IMLI 的基于最大可满足性的可解释学习框架，通过结合小批量学习和迭代规则学习的方法，实现了分类规则的合成。实验结果表明，IMLI 在预测准确性、可解释性和可伸缩性之间取得了最好的平衡，并用于学习流行的可解释分类器，如决策列表和决策集。

    May, 2022

  • 使用机器学习设计可解释决策支持系统是什么？

    本文提出增强学习可用于学习不同用户可解释的模型，由此建立他们对机器学习模型的信任。通过与医生交互，基于神经网络模型，设计了一个基于强化学习的临床决策支持系统，结果表明，机器学习专家无法准确预测哪个系统输出将最大化临床医生对底层神经网络模型的信心，这些结果对将来机器学习可解释性研究以及机器学习在医学中的应用都具有广泛的意义。

    Nov, 2018

  • 使用二次训练数据对学习排序模型进行后证明可能性解释

    本文研究了如何在后期操作中用可解释的特征空间解释排名模型，并使用来自排名器的标签来训练树状模型，以提供解释，研究表明在某些情况下，可以学习到忠实且可解释的排名器。

    Jun, 2018

  • 路径，解释，重复：模糊了事后可解释性与可解释模型之间的界限

    本文提出了一种混合解释性模型和灵活模型来实现机器学习模型设计的方法，其中以一种新的方式使用一阶逻辑来实现解释性模型，同时通过不断的迭代优化过程从而达到较好的性能表现，并为混合符号连接网络提供了框架。

    Jul, 2023

  • 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

  • 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

  • 可解释性强化学习是否能管理您的繁荣？

    通过机器学习和强化学习算法，引入可解释性的特征，应用于个性化银行和金融服务，实现资产管理和投资建议的个性化推荐。

    Feb, 2022

  • 可解释性作为统计推论

    通过统计推断方法构建了一种概率模型，通过学习模型参数和使用神经网络选择器来实现解释性预测，并利用新数据集进行了实验验证，证明了使用多重插补提供了更合理的解释。

    Dec, 2022