論文の概要: Evaluating the stability of model explanations in instance-dependent cost-sensitive credit scoring

• arxiv url: http://arxiv.org/abs/2509.01409v1
• Date: Mon, 01 Sep 2025 12:05:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.678877
• Title: Evaluating the stability of model explanations in instance-dependent cost-sensitive credit scoring
• Title（参考訳）: インスタンス依存型コスト依存型クレジットスコアリングにおけるモデル説明の安定性の評価
• Authors: Matteo Ballegeer, Matthias Bogaert, Dries F. Benoit,
• Abstract要約: インスタンス依存コストセンシティブ(IDCS)分類器は、クレジットスコアリングにおけるコスト効率を改善するための有望なアプローチを提供する。 このような損失関数がモデル説明の安定性に与える影響は、文献では未解明のままである。
• 参考スコア（独自算出の注目度）: 0.45880283710344055
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Instance-dependent cost-sensitive (IDCS) classifiers offer a promising approach to improving cost-efficiency in credit scoring by tailoring loss functions to instance-specific costs. However, the impact of such loss functions on the stability of model explanations remains unexplored in literature, despite increasing regulatory demands for transparency. This study addresses this gap by evaluating the stability of Local Interpretable Model-agnostic Explanations (LIME) and SHapley Additive exPlanations (SHAP) when applied to IDCS models. Using four publicly available credit scoring datasets, we first assess the discriminatory power and cost-efficiency of IDCS classifiers, introducing a novel metric to enhance cross-dataset comparability. We then investigate the stability of SHAP and LIME feature importance rankings under varying degrees of class imbalance through controlled resampling. Our results reveal that while IDCS classifiers improve cost-efficiency, they produce significantly less stable explanations compared to traditional models, particularly as class imbalance increases, highlighting a critical trade-off between cost optimization and interpretability in credit scoring. Amid increasing regulatory scrutiny on explainability, this research underscores the pressing need to address stability issues in IDCS classifiers to ensure that their cost advantages are not undermined by unstable or untrustworthy explanations.
• Abstract（参考訳）: インスタンス依存型コストセンシティブ(IDCS)分類器は、損失関数をインスタンス固有のコストに合わせることにより、クレジットスコアリングのコスト効率を改善するための有望なアプローチを提供する。 しかし、そのような損失関数がモデル説明の安定性に与える影響は、透明性を求める規制の要求が高まるにもかかわらず、文献では未解明のままである。 本研究は,IDCSモデルに適用した場合のLIMEとSHAPの安定性を評価することにより,このギャップを解消する。 4つの公用クレジットスコアリングデータセットを用いて,IDCS分類器の識別能力とコスト効率を評価する。 次に, SHAP と LIME の特徴的重要度ランキングの安定性について, 制御再サンプリングによるクラス不均衡度の違いによる検討を行った。 以上の結果から,IDCS分類器のコスト効率は向上するが,特にクラス不均衡が増大するなど,従来のモデルに比べてはるかに低い安定な説明が得られ,コスト最適化と信用評価における解釈可能性のトレードオフが浮き彫りになることがわかった。 説明可能性に関する規制の精査が高まる中、この研究はIDCS分類器の安定性問題に対処し、不安定な説明や不信な説明によってコストの利点が損なわれないように迫る必要性を強調している。

関連論文リスト

• Learning-to-Context Slope: Evaluating In-Context Learning Effectiveness Beyond Performance Illusions [42.80928434779115]
  In-context Learning (ICL) は,大規模言語モデルの性能向上に有効な手法として登場した。 現在の評価手法は、信頼性の低下、属性の低下、データ不足のシナリオにおける非現実性に悩まされている。 学習ゲインと文脈関連性の間の傾きをモデル化し,ICLの有効性を定量化する新しい指標であるLCSを提案する。
  論文  参考訳（メタデータ） (2025-06-29T08:55:37Z)
• Cost-Optimal Active AI Model Evaluation [71.2069549142394]
  生成AIシステムの開発には、継続的な評価、データ取得、アノテーションが必要である。 我々は、安価だがしばしば不正確で弱いレーダの使用を積極的にバランスさせる新しいコスト認識手法を開発した。 我々は、弱者と強者の間で所定のアノテーション予算を割り当てるためのコスト最適化政策のファミリーを導出する。
  論文  参考訳（メタデータ） (2025-06-09T17:14:41Z)
• Aurora: Are Android Malware Classifiers Reliable and Stable under Distribution Shift? [51.12297424766236]
  AURORAは、その信頼性と運用上のレジリエンスに基づいて、マルウェア分類器を評価するためのフレームワークである。 AURORAは、ポイント・イン・タイムのパフォーマンスを超えるように設計されたメトリクスのセットによって補完される。 さまざまなドリフトのデータセットにわたるSOTAフレームワークの脆弱性は、ホワイトボードへの復帰の必要性を示唆している。
  論文  参考訳（メタデータ） (2025-05-28T20:22:43Z)
• An Identifiable Cost-Aware Causal Decision-Making Framework Using Counterfactual Reasoning [18.324601057882386]
  そこで本研究では,最小コスト因果決定(MiCCD)フレームワークを提案する。 混合異常データの存在を識別する反ファクト的推論プロセスに重点を置いている。 MiCCDは、F1スコア、コスト効率、ランキング品質(nDCG@k値)など、従来の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-05-13T08:41:45Z)
• Implementation of an Asymmetric Adjusted Activation Function for Class Imbalance Credit Scoring [4.032608240950855]
  クレジットスコアリング(Credit score)は、銀行ローンにおける借主のデフォルト(PD)の確率を評価するための体系的なアプローチである。 このようなシナリオに関連するデータは、特徴的に不均衡であり、バイナリ分類が複雑である。 我々は、IR依存の非対称調整因子を組み込んだシグモイド活性化関数を組み込むことにより、革新的かつ単純で最適化されたアクティベーション関数を導入する。
  論文  参考訳（メタデータ） (2025-01-21T16:54:39Z)
• Self-Evolving Critique Abilities in Large Language Models [59.861013614500024]
  本稿では,Large Language Models (LLM) の批判能力の向上について検討する。 SCRITは、LCMを自己生成データで訓練し、批判能力を進化させるフレームワークである。 分析の結果,SCRITの性能はデータやモデルサイズと正の相関関係にあることが明らかとなった。
  論文  参考訳（メタデータ） (2025-01-10T05:51:52Z)
• On the Stability-Plasticity Dilemma of Class-Incremental Learning [50.863180812727244]
  クラス増分学習の第一の目的は、安定性と可塑性のバランスをとることである。 本稿では,近年のクラス増分学習アルゴリズムが,安定性と塑性のトレードオフにいかに効果的かを明らかにすることを目的とする。
  論文  参考訳（メタデータ） (2023-04-04T09:34:14Z)
• Stabilizing and Improving Federated Learning with Non-IID Data and Client Dropout [15.569507252445144]
  ラベル分布スキューによるデータヘテロジェニーティは、フェデレート学習におけるモデル性能を制限する重要な障害であることが示されている。 クロスエントロピー損失を計算するための事前校正ソフトマックス関数を導入することで、シンプルで効果的なフレームワークを提案する。 非IIDデータとクライアントドロップアウトの存在下で、既存のベースラインよりも優れたモデル性能を示す。
  論文  参考訳（メタデータ） (2023-03-11T05:17:59Z)

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。