論文の概要: Enabling Machine Learning Algorithms for Credit Scoring -- Explainable Artificial Intelligence (XAI) methods for clear understanding complex predictive models

• arxiv url: http://arxiv.org/abs/2104.06735v1
• Date: Wed, 14 Apr 2021 09:44:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-15 13:27:50.254974
• Title: Enabling Machine Learning Algorithms for Credit Scoring -- Explainable Artificial Intelligence (XAI) methods for clear understanding complex predictive models
• Title（参考訳）: クレディ・スコーリングのための機械学習アルゴリズムの実現 -- 複雑な予測モデルを明確に理解するための説明可能な人工知能(XAI)手法
• Authors: Przemys{\l}aw Biecek, Marcin Chlebus, Janusz Gajda, Alicja Gosiewska, Anna Kozak, Dominik Ogonowski, Jakub Sztachelski, Piotr Wojewnik
• Abstract要約: 本稿では,様々な予測モデル(論理回帰,ロジスティック回帰,エビデンス変換の重み付け,現代の人工知能アルゴリズム)を比較し,先進木モデルがクライアントデフォルトの予測に最適であることを示す。 また,信用リスク実践者に対して,それらを解釈し,よりアクセスしやすいものにするための手法を用いて,高度なモデルを強化する方法を示す。
• 参考スコア（独自算出の注目度）: 2.1723750239223034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid development of advanced modelling techniques gives an opportunity to develop tools that are more and more accurate. However as usually, everything comes with a price and in this case, the price to pay is to loose interpretability of a model while gaining on its accuracy and precision. For managers to control and effectively manage credit risk and for regulators to be convinced with model quality the price to pay is too high. In this paper, we show how to take credit scoring analytics in to the next level, namely we present comparison of various predictive models (logistic regression, logistic regression with weight of evidence transformations and modern artificial intelligence algorithms) and show that advanced tree based models give best results in prediction of client default. What is even more important and valuable we also show how to boost advanced models using techniques which allow to interpret them and made them more accessible for credit risk practitioners, resolving the crucial obstacle in widespread deployment of more complex, 'black box' models like random forests, gradient boosted or extreme gradient boosted trees. All this will be shown on the large dataset obtained from the Polish Credit Bureau to which all the banks and most of the lending companies in the country do report the credit files. In this paper the data from lending companies were used. The paper then compares state of the art best practices in credit risk modelling with new advanced modern statistical tools boosted by the latest developments in the field of interpretability and explainability of artificial intelligence algorithms. We believe that this is a valuable contribution when it comes to presentation of different modelling tools but what is even more important it is showing which methods might be used to get insight and understanding of AI methods in credit risk context.
• Abstract（参考訳）: 高度なモデリング技術の迅速な開発は、より正確なツールを開発する機会を与える。 しかし、通常、全てに価格が伴うので、この場合の支払いの価格は、その正確さと精度を保ちながらモデルの可読性を緩めることである。 マネージャーが信用リスクをコントロールし、効果的に管理し、規制当局がモデルの品質を確信するためには、料金が高すぎる。 本稿では,評価分析を次のレベルに引き上げる方法,すなわち,様々な予測モデル(論理回帰,証拠変換の重み付きロジスティック回帰,現代の人工知能アルゴリズム)を比較し,高度な木に基づくモデルがクライアントデフォルトの予測に最適な結果をもたらすことを示す。 さらに、より重要で価値のあるのは、より複雑な「ブラックボックス」モデル、例えばランダムフォレスト、勾配ブースト、極端な勾配ブースト木といった、より複雑な「ブラックボックス」モデルの普及における重要な障害を解決するために、それらを解釈し、信用リスク実践者にとってよりアクセスしやすくする技術を使って、高度なモデルを強化する方法を示します。 これら全ては、ポーランド信用局が入手した大規模なデータセットに示され、国内の銀行や貸付会社の大半が信用ファイルを報告している。 本稿では、貸出会社からのデータを活用した。 この論文は、信用リスクモデリングにおける最先端のベストプラクティスと、人工知能アルゴリズムの解釈可能性と説明可能性の分野における最新の発展によって強化された最新の統計ツールを比較した。 さまざまなモデリングツールのプレゼンテーションに関して、これは価値ある貢献だと思いますが、さらに重要なのは、信用リスクコンテキストにおけるAIメソッドの洞察と理解を得るために、どのメソッドが使用されるかを示しています。

関連論文リスト

• Enhanced Credit Score Prediction Using Ensemble Deep Learning Model [12.85570952381681]
  本稿では,現代銀行システムですでに広く利用されているXGBoostやLightGBMのような高性能モデルと,強力なTabNetモデルを組み合わせる。 我々は、ランダムフォレスト、XGBoost、TabNetを統合し、アンサンブルモデリングにおける積み重ね手法により、クレジットスコアレベルを正確に決定できる強力なモデルを開発した。
  論文  参考訳（メタデータ） (2024-09-30T21:56:16Z)
• Knowledge-Aware Parsimony Learning: A Perspective from Relational Graphs [47.6830995661091]
  我々は、より単純なモデルでより大きなポテンシャルを達成するために、擬似的に次世代モデルを開発する。 鍵となるのは、スケーリングの法則に頼るのではなく、記号やロジック、公式といったドメイン固有の知識を使ってモデルを駆動することだ。 このアプローチによって、モデル設計、トレーニング、解釈のパーシモニーを達成するために、この知識を"ビルディングブロック"として使用するフレームワークを構築することができます。
  論文  参考訳（メタデータ） (2024-06-29T15:52:37Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Beyond Explaining: Opportunities and Challenges of XAI-Based Model Improvement [75.00655434905417]
  説明可能な人工知能(XAI)は、高度に複雑な機械学習(ML)モデルに透明性をもたらす新たな研究分野である。 本稿では,機械学習モデルの諸特性を改善するために,XAIを実用的に応用する手法を概観する。 実験では,モデル一般化能力や推論などの特性を改善する上で,説明がどのように役立つのかを,おもちゃと現実的な設定で実証的に示す。
  論文  参考訳（メタデータ） (2022-03-15T15:44:28Z)
• Predicting Credit Risk for Unsecured Lending: A Machine Learning Approach [0.0]
  本研究は、無担保貸付(クレディットカード)の信用デフォルトを予測するための、同時代の信用評価モデルを構築することを目的とする。 本研究は,光グラディエントブースティングマシン(LGBM)モデルにより,学習速度の向上,効率の向上,データボリュームの大規模化を実現していることを示す。 このモデルの導入により、商業融資機関や銀行の意思決定者に対する信用デフォルトのより良いタイムリーな予測が可能になると期待している。
  論文  参考訳（メタデータ） (2021-10-05T17:54:56Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
  コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。 本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。 このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
  論文  参考訳（メタデータ） (2021-03-18T12:57:34Z)
• 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)
• Explanations of Machine Learning predictions: a mandatory step for its application to Operational Processes [61.20223338508952]
  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。
  論文  参考訳（メタデータ） (2020-12-30T10:27:59Z)
• 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)
• Transparency, Auditability and eXplainability of Machine Learning Models in Credit Scoring [4.370097023410272]
  本稿では,信用スコアリングモデルを理解しやすくするために考慮すべきさまざまな次元について検討する。 本稿では,クレジットスコアにどのように適用できるか,そしてスコアカードの解釈可能性と比較する方法について概説する。
  論文  参考訳（メタデータ） (2020-09-28T15:00:13Z)

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。