論文の概要: A Sparsity Algorithm with Applications to Corporate Credit Rating
- arxiv url: http://arxiv.org/abs/2107.10306v1
- Date: Wed, 21 Jul 2021 18:47:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 15:21:16.687419
- Title: A Sparsity Algorithm with Applications to Corporate Credit Rating
- Title（参考訳）: スパルシティーアルゴリズムと企業信用格付けへの応用
- Authors: Dan Wang, Zhi Chen, Ionut Florescu
- Abstract要約: 提案手法は, 最適化問題を解くとともに, 反現実的説明の空間性を最大化する「スパーシティアルゴリズム」を提案する。
当社は、公開企業に対して、信用格付けを改善するための簡単な提案を行うために、スパーシリティアルゴリズムを適用している。
- 参考スコア（独自算出の注目度）: 11.52337781510312
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In Artificial Intelligence, interpreting the results of a Machine Learning
technique often termed as a black box is a difficult task. A counterfactual
explanation of a particular "black box" attempts to find the smallest change to
the input values that modifies the prediction to a particular output, other
than the original one. In this work we formulate the problem of finding a
counterfactual explanation as an optimization problem. We propose a new
"sparsity algorithm" which solves the optimization problem, while also
maximizing the sparsity of the counterfactual explanation. We apply the
sparsity algorithm to provide a simple suggestion to publicly traded companies
in order to improve their credit ratings. We validate the sparsity algorithm
with a synthetically generated dataset and we further apply it to quarterly
financial statements from companies in financial, healthcare and IT sectors of
the US market. We provide evidence that the counterfactual explanation can
capture the nature of the real statement features that changed between the
current quarter and the following quarter when ratings improved. The empirical
results show that the higher the rating of a company the greater the "effort"
required to further improve credit rating.
- Abstract（参考訳）: 人工知能では、しばしばブラックボックスと呼ばれる機械学習技術の結果を解釈することは難しい課題である。
特定の「ブラックボックス」の反事実的な説明は、元のもの以外の特定の出力に予測を変更する入力値の最小の変更を見つけようとするものである。
本研究では,最適化問題として反事実的説明を求める問題を定式化する。
最適化問題を解く新しい「スパーシティアルゴリズム」を提案し,反事実説明のスパーシティを最大化する。
本アルゴリズムは、公開企業に対して、信用格付けを改善するための簡単な提案を行うために適用される。
我々は、合成データセットを用いてスパーシリティアルゴリズムを検証し、さらに米国の金融、医療、IT分野の企業からの四半期毎の財務報告に適用する。
評価が改善した今四半期から翌四半期に変化した実話の特徴を,反実的な説明で捉えることができることを示す。
実証的な結果は、企業の格付けが高ければ高いほど、信用格付けをさらに向上させるために必要な「努力」が大きくなることを示している。
関連論文リスト
- Improving LLM Reasoning through Scaling Inference Computation with Collaborative Verification [52.095460362197336]
大規模言語モデル(LLM)は一貫性と正確な推論に苦しむ。
LLMは、主に正しいソリューションに基づいて訓練され、エラーを検出して学習する能力を減らす。
本稿では,CoT(Chain-of-Thought)とPoT(Program-of-Thought)を組み合わせた新しい協調手法を提案する。
論文 参考訳（メタデータ） (2024-10-05T05:21:48Z) - Minimalistic Predictions to Schedule Jobs with Online Precedence
Constraints [117.8317521974783]
オンライン優先制約による非サーボ的スケジューリングについて検討する。
アルゴリズムは、任意のジョブ依存に偏りがなく、前任者がすべて完了した場合に限り、ジョブについて学習する。
論文 参考訳（メタデータ） (2023-01-30T13:17:15Z) - Online Search with Predictions: Pareto-optimal Algorithm and its
Applications in Energy Markets [32.50099216716867]
本稿では、揮発性電力市場におけるエネルギー取引のための学習強化アルゴリズムを開発する。
オンライン検索問題に対する競合アルゴリズムの設計には,機械学習による予測が組み込まれている。
論文 参考訳（メタデータ） (2022-11-12T04:12:10Z) - Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。
我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。
これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文 参考訳（メタデータ） (2022-02-21T13:18:11Z) - Selective Credit Assignment [57.41789233550586]
選択的クレジット代入のための時間差アルゴリズムについて統一的な視点を述べる。
価値に基づく学習と計画アルゴリズムへの重み付けの適用に関する洞察を提供する。
論文 参考訳（メタデータ） (2022-02-20T00:07:57Z) - Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。
本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-10T10:02:31Z) - DisCERN:Discovering Counterfactual Explanations using Relevance Features
from Neighbourhoods [1.9706200133168679]
DisCERNは、優れた対実的説明を作成するために必要な実行可能な変更を最小限に抑える効果的な戦略である。
機能関連性に基づく説明がDisCERNに「実行可能な機能」の最小サブセットを特定するためにいかに広く採用されているかを示す。
以上の結果から, DisCERN は, 適切な対実的説明作成に必要な実行可能な変更を最小化するための効果的な戦略であることが示唆された。
論文 参考訳（メタデータ） (2021-09-13T09:25:25Z) - 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) - 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) - Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online
Algorithms [85.97516436641533]
機械学習予測を取り入れたオンラインアルゴリズムの性能向上の課題について検討する。
目標は、一貫性と堅牢性の両方を備えたアルゴリズムを設計することだ。
機械学習予測を用いた競合解析のための非自明な下界の最初のセットを提供する。
論文 参考訳（メタデータ） (2020-10-22T04:51:01Z) - Decisions, Counterfactual Explanations and Strategic Behavior [16.980621769406923]
戦略的な設定で実用性の観点から最適な政策と対実的な説明を見つける。
事前に定義されたポリシーを考えると、最適の対実的説明の集合を見つける問題はNPハードであることが示される。
本研究では,マトロイド制約を問題定式化に組み込むことで,最適対実的説明セットの多様性を高めることができることを示した。
論文 参考訳（メタデータ） (2020-02-11T12:04:41Z)
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。