Fugu-MT 論文翻訳(概要): A Comprehensive Review on Financial Explainable AI

論文の概要: A Comprehensive Review on Financial Explainable AI

arxiv url: http://arxiv.org/abs/2309.11960v1
Date: Thu, 21 Sep 2023 10:30:49 GMT
ステータス: 処理完了
システム内更新日: 2023-09-22 15:50:59.505448
Title: A Comprehensive Review on Financial Explainable AI
Title（参考訳）: 財務説明可能なAIに関する概観
Authors: Wei Jie Yeo, Wihan van der Heever, Rui Mao, Erik Cambria, Ranjan Satapathy, Gianmarco Mengaldo
Abstract要約: 金融の文脈における深層学習モデルの説明可能性向上を目的とした手法の比較調査を行う。説明可能なAI手法のコレクションは,その特性に応じて分類する。我々は、説明可能なAI手法を採用する際の懸念と課題を、適切かつ重要と考えられる今後の方向性とともにレビューする。
参考スコア（独自算出の注目度）: 29.229196780505532
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The success of artificial intelligence (AI), and deep learning models in particular, has led to their widespread adoption across various industries due to their ability to process huge amounts of data and learn complex patterns. However, due to their lack of explainability, there are significant concerns regarding their use in critical sectors, such as finance and healthcare, where decision-making transparency is of paramount importance. In this paper, we provide a comparative survey of methods that aim to improve the explainability of deep learning models within the context of finance. We categorize the collection of explainable AI methods according to their corresponding characteristics, and we review the concerns and challenges of adopting explainable AI methods, together with future directions we deemed appropriate and important.
Abstract（参考訳）: 人工知能(AI)の成功、特にディープラーニングモデルの成功は、大量のデータ処理と複雑なパターンの学習能力によって、さまざまな産業で広く採用されている。しかし、説明責任の欠如により、意思決定の透明性が最重要視される金融や医療といった重要な分野での使用に重大な懸念がある。本稿では,金融の文脈における深層学習モデルの説明可能性の向上を目的とした手法の比較調査を行う。我々は,説明可能なAIメソッドのコレクションを,その特性に応じて分類し,説明可能なAIメソッドを採用する際の懸念と課題を考察し,今後の方向性を適切かつ重要とみなす。

関連論文リスト

Explainability in AI Based Applications: A Framework for Comparing Different Techniques [2.5874041837241304]
ビジネスアプリケーションでは、理解可能性と精度のバランスをとる適切な説明可能性方法を選択することが課題である。本稿では,異なる説明可能性手法の一致を評価するための新しい手法を提案する。多様な説明可能性手法の合意を理解するための実践的な枠組みを提供することにより、ビジネスアプリケーションにおける解釈可能なAIシステムのより広範な統合を促進することを目的としている。
論文参考訳（メタデータ） (2024-10-28T09:45:34Z)
A Hypothesis on Good Practices for AI-based Systems for Financial Time Series Forecasting: Towards Domain-Driven XAI Methods [0.0]
機械学習とディープラーニングは、財務予測や予測タスクでますます普及している。これらのモデルは透明性と解釈可能性に欠けることが多く、金融のような繊細なドメインでの使用を困難にしている。本稿では、金融のためのAIベースのシステムに説明可能性を展開するための優れた実践について考察する。
論文参考訳（メタデータ） (2023-11-13T17:56:45Z)
A Study of Situational Reasoning for Traffic Understanding [63.45021731775964]
トラフィック領域における状況推論のための3つの新しいテキストベースのタスクを考案する。先行作業における言語推論タスクにまたがる一般化能力を示す知識強化手法を4つ採用する。本稿では,データ分割におけるモデル性能の詳細な解析を行い,モデル予測を分類的に検討する。
論文参考訳（メタデータ） (2023-06-05T01:01:12Z)
Explainable Data-Driven Optimization: From Context to Decision and Back Again [76.84947521482631]
データ駆動最適化では、コンテキスト情報と機械学習アルゴリズムを使用して、不確実なパラメータによる決定問題の解決策を見つける。本稿では,データ駆動型問題に対する解法を説明するために,対実的説明手法を提案する。在庫管理やルーティングといった運用管理における重要な問題を説明することで,我々のアプローチを実証する。
論文参考訳（メタデータ） (2023-01-24T15:25:16Z)
Explainable Deep Reinforcement Learning: State of the Art and Challenges [1.005130974691351]
解釈可能性、説明可能性、透明性は、多くの重要な領域で人工知能メソッドを導入する上で重要な問題である。本稿では, 深層強化学習法について解説する技術の現状について概説する。
論文参考訳（メタデータ） (2023-01-24T11:41:25Z)
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)
Harnessing value from data science in business: ensuring explainability and fairness of solutions [0.0]
本稿では、人工知能における公正性と説明可能性(XAI)の概念を紹介し、洗練されたビジネス問題を解決することを目的としている。公平性に関して、著者らはバイアスを誘発する特異点と関連する緩和方法について議論し、データ駆動型組織に公正性を導入するための一連のレシピを結論付けている。
論文参考訳（メタデータ） (2021-08-10T11:59:38Z)
Rational Shapley Values [0.0]
ポストホックな説明可能な人工知能(XAI)の一般的なツールは、文脈に敏感であるか、要約が難しい。非互換なアプローチを合成し拡張する新しいXAI手法である、エミュレーション型シェープリー値を導入する。私は、意思決定理論や因果モデリングのツールを活用して、XAIにおける多くの既知の課題を解決する実用的なアプローチを定式化し、実装します。
論文参考訳（メタデータ） (2021-06-18T15:45:21Z)
Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
論文参考訳（メタデータ） (2021-06-14T20:48:48Z)
Individual Explanations in Machine Learning Models: A Survey for Practitioners [69.02688684221265]
社会的関連性の高い領域の決定に影響を与える洗練された統計モデルの使用が増加しています。多くの政府、機関、企業は、アウトプットが人間の解釈可能な方法で説明しにくいため、採用に消極的です。近年,機械学習モデルに解釈可能な説明を提供する方法として,学術文献が多数提案されている。
論文参考訳（メタデータ） (2021-04-09T01:46:34Z)
Uncertainty as a Form of Transparency: Measuring, Communicating, and Using Uncertainty [66.17147341354577]
我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
論文参考訳（メタデータ） (2020-11-15T17:26:14Z)

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。