論文の概要: Explanations of Machine Learning predictions: a mandatory step for its
application to Operational Processes
- arxiv url: http://arxiv.org/abs/2012.15103v1
- Date: Wed, 30 Dec 2020 10:27:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-18 15:13:02.172058
- Title: Explanations of Machine Learning predictions: a mandatory step for its
application to Operational Processes
- Title(参考訳): 機械学習予測の説明--運用プロセスへの適用のための必須ステップ
- Authors: Giorgio Visani, Federico Chesani, Enrico Bagli, Davide Capuzzo and
Alessandro Poluzzi
- Abstract要約: 信用リスクモデリングは重要な役割を果たす。
近年,機械学習や深層学習の手法が採用されている。
この分野における説明可能性問題に LIME 手法を適用することを提案する。
- 参考スコア(独自算出の注目度): 61.20223338508952
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the global economy, credit companies play a central role in economic
development, through their activity as money lenders. This important task comes
with some drawbacks, mainly the risk of the debtors not being able to repay the
provided credit. Therefore, Credit Risk Modelling (CRM), namely the evaluation
of the probability that a debtor will not repay the due amount, plays a
paramount role. Statistical approaches have been successfully exploited since
long, becoming the most used methods for CRM. Recently, also machine and deep
learning techniques have been applied to the CRM task, showing an important
increase in prediction quality and performances. However, such techniques
usually do not provide reliable explanations for the scores they come up with.
As a consequence, many machine and deep learning techniques fail to comply with
western countries' regulations such as, for example, GDPR. In this paper we
suggest to use LIME (Local Interpretable Model-agnostic Explanations) technique
to tackle the explainability problem in this field, we show its employment on a
real credit-risk dataset and eventually discuss its soundness and the necessary
improvements to guarantee its adoption and compliance with the task.
- Abstract(参考訳): 世界経済では、信用会社は金融業者としての活動を通じて、経済発展において中心的な役割を果たす。
この重要なタスクにはいくつかの欠点があり、主に債務者が提供されたクレジットを返済できないリスクがある。
したがって、信用リスクモデリング(crm)、すなわち債務者が債務を返済しない確率の評価が最重要役割を担っている。
統計的なアプローチは長年にわたってうまく活用され、CRMの最もよく使われる方法となった。
近年,CRMタスクに機械学習およびディープラーニング技術が適用され,予測品質と性能が著しく向上している。
しかし、そのような手法は、通常、彼らが生み出すスコアについて信頼できる説明を与えない。
その結果、多くの機械・深層学習技術は、例えばGDPRのような西洋諸国の規制に従わない。
本稿では, LIME(Local Interpretable Model-Agnostic Explanations)技術を用いて, この分野における説明可能性問題に対処し, 実際の信用リスクデータセットへの採用を示し, 最終的にその健全性とタスクの採用とコンプライアンスを保証するために必要な改善について議論する。
関連論文リスト
- A machine learning workflow to address credit default prediction [0.44943951389724796]
信用デフォルト予測(CDP)は個人や企業の信用力を評価する上で重要な役割を果たす。
CDPを改善するためのワークフローベースのアプローチを提案する。これは、借り手が信用義務を負う確率を評価するタスクを指す。
論文 参考訳(メタデータ) (2024-03-06T15:30:41Z) - Estimating Fr\'echet bounds for validating programmatic weak supervision [50.13475056199486]
我々は、ある変数が連続的に評価される(おそらく高次元の)分布クラス上のFr'echeの境界を推定する手法を開発する。
プログラム弱監督(PWS)を訓練した機械学習(ML)モデルの性能を評価することで,アルゴリズムの有用性を実証する。
論文 参考訳(メタデータ) (2023-12-07T07:15:11Z) - Empowering Many, Biasing a Few: Generalist Credit Scoring through Large
Language Models [53.620827459684094]
大規模言語モデル(LLM)は、複数のタスクにまたがる強力な一般化能力を持つ信用スコアリングタスクにおいて大きな可能性を秘めている。
クレジットスコアリングのための LLM を探索する,初のオープンソース包括的フレームワークを提案する。
そこで我々は,各種金融リスク評価タスクの煩雑な要求に合わせて,指導チューニングによる最初の信用・リスク評価大言語モデル(CALM)を提案する。
論文 参考訳(メタデータ) (2023-10-01T03:50:34Z) - Benchmarking Automated Machine Learning Methods for Price Forecasting
Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。
CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。
本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文 参考訳(メタデータ) (2023-04-28T10:27:38Z) - Learning Dynamic Mechanisms in Unknown Environments: A Reinforcement
Learning Approach [130.9259586568977]
本稿では,複数ラウンドの対話を通して動的ビックレー・クラーク・グローブ(VCG)機構を回復するための新しい学習アルゴリズムを提案する。
当社のアプローチの重要な貢献は、報酬のないオンライン強化学習(RL)を取り入れて、リッチな政策分野の探索を支援することである。
論文 参考訳(メタデータ) (2022-02-25T16:17:23Z) - Explaining Credit Risk Scoring through Feature Contribution Alignment
with Expert Risk Analysts [1.7778609937758323]
私たちは企業の信用スコアにフォーカスし、さまざまな機械学習モデルをベンチマークします。
目標は、企業が一定の期間内に金融問題を経験しているかどうかを予測するモデルを構築することです。
我々は、信用リスクの専門家とモデル機能属性説明との相違を強調した専門家による機能関連スコアを提供することで、光を当てる。
論文 参考訳(メタデータ) (2021-03-15T12:59:15Z) - Sequential Deep Learning for Credit Risk Monitoring with Tabular
Financial Data [0.901219858596044]
深層学習による信用リスク評価の新たなアプローチを創出する試みを紹介します。
本稿では,深い再帰と因果畳み込みに基づくニューラルネットワークを用いた新しいクレジットカードトランザクションサンプリング手法を提案する。
時間的畳み込みネットワークを用いた逐次的深層学習アプローチは、ベンチマーク非逐次木モデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-12-30T21:29:48Z) - Explainable AI for Interpretable Credit Scoring [0.8379286663107844]
クレジットスコアリングは、金融の専門家がローン申請を受諾するかどうかについてより良い判断を下すのに役立つ。
アルゴリズムによる決定が一貫性のあるものであることを保証するため、規則はモデル解釈可能性の必要性を追加している。
正確かつ解釈可能な信用スコアモデルを提案する。
論文 参考訳(メタデータ) (2020-12-03T18:44:03Z) - The value of text for small business default prediction: A deep learning
approach [9.023847175654602]
限られたデータの可用性を損なうために、融資担当者がテキストによるローン評価を提供することは、標準的な方針である。
我々は、ディープラーニングと自然言語処理の分野からの最近の進歩を活用して、貸し手が提供する60万件のテキストアセスメントから情報を抽出する。
テキストだけでは、デフォルトを予測するのに驚くほど効果的であることがわかったが、従来のデータと組み合わせると、追加の予測能力は得られない。
しかし,本提案したディープラーニングモデルは,テキストの品質に頑健であり,mSME貸出プロセスの自動化に適していると考えられる。
論文 参考訳(メタデータ) (2020-03-19T18:15:05Z) - Towards CRISP-ML(Q): A Machine Learning Process Model with Quality
Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。
第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。
第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文 参考訳(メタデータ) (2020-03-11T08:25:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。