論文の概要: Explainable Federated Learning for U.S. State-Level Financial Distress Modeling

• arxiv url: http://arxiv.org/abs/2511.08588v1
• Date: Tue, 28 Oct 2025 00:55:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-16 06:38:31.056143
• Title: Explainable Federated Learning for U.S. State-Level Financial Distress Modeling
• Title（参考訳）: 米国国家レベルの金融ディストレスモデリングのための説明可能なフェデレーションラーニング
• Authors: Lorenzo Carta, Fernando Spadea, Oshani Seneviratne,
• Abstract要約: 連邦学習(FL)の米国財務能力研究への最初の応用について述べる。 我々は、センシティブなデータを集中化せずに、50の州とコロンビア特別区にまたがる消費者の財政難を予測するための解釈可能な枠組みを導入する。
• 参考スコア（独自算出の注目度）: 42.94040983864023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the first application of federated learning (FL) to the U.S. National Financial Capability Study, introducing an interpretable framework for predicting consumer financial distress across all 50 states and the District of Columbia without centralizing sensitive data. Our cross-silo FL setup treats each state as a distinct data silo, simulating real-world governance in nationwide financial systems. Unlike prior work, our approach integrates two complementary explainable AI techniques to identify both global (nationwide) and local (state-specific) predictors of financial hardship, such as contact from debt collection agencies. We develop a machine learning model specifically suited for highly categorical, imbalanced survey data. This work delivers a scalable, regulation-compliant blueprint for early warning systems in finance, demonstrating how FL can power socially responsible AI applications in consumer credit risk and financial inclusion.
• Abstract（参考訳）: 我々は,米国財務能力調査にフェデレートラーニング(FL)を初めて適用し,センシティブなデータを集中化せずに,50州およびコロンビア特別区で消費者の財政難を予測するための解釈可能な枠組みを導入する。 当社のクロスサイロFLセットアップは、各州を個別のデータサイロとして扱い、全国の金融システムにおける現実のガバナンスをシミュレートします。 これまでの研究と異なり、我々のアプローチは2つの補完的な説明可能なAI技術を統合して、グローバル(全国)とローカル(国家固有の)財政難予測器(債務収集機関からの接触など)を識別する。 我々は,高度に分類された不均衡な調査データに適した機械学習モデルを開発した。 この作業は、金融の早期警告システムに対して、スケーラブルで規制に準拠した青写真を提供し、FLが消費者信用リスクとファイナンシャルインクルージョンにおいて、社会的に責任あるAIアプリケーションにどのように電力を供給できるかを実証する。

関連論文リスト

• The Role of Federated Learning in Improving Financial Security: A Survey [0.0]
  Federated Learning (FL)は、生データを共有することなく、組織間でのプライバシ保護、分散モデルトレーニングを提供する。 FLは、IoTエンドポイント上でクロスデバイス学習を使用しながら、銀行間のクロスサイロコラボレーションを可能にする。
  論文  参考訳（メタデータ） (2025-10-07T03:53:12Z)
• Deriving Strategic Market Insights with Large Language Models: A Benchmark for Forward Counterfactual Generation [55.2788567621326]
  本稿では,FIN-FORCE-FINancial Forward Counterfactual Evaluationを提案する。 FIN-FORCEは金融ニュースの見出しをまとめることで、LLMベースの対実生成を支援する。 これにより、将来の市場展開を探索し、予測するためのスケーラブルで自動化されたソリューションの道を開くことができる。
  論文  参考訳（メタデータ） (2025-05-26T02:41:50Z)
• Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions [51.43521977132062]
  マネーロンダリング(英: Money laundering)は、不正資金の起源を隠蔽する金融犯罪である。 モバイル決済プラットフォームとスマートIoTデバイスの普及は、マネーロンダリング対策をかなり複雑にしている。 本稿では,AMLにおけるディープラーニングソリューションとその利用に関する課題について,包括的レビューを行う。
  論文  参考訳（メタデータ） (2025-03-13T05:19:44Z)
• Financial Knowledge Large Language Model [4.599537455808687]
  大規模言語モデル(LLM)の財務知識を評価するための評価ベンチマークであるIDEA-FinBenchを紹介する。 金融分野への一般LLMの迅速な適応を容易にするためのフレームワークであるIDEA-FinKERを提案する。 最後に LLM を利用した財務質問応答システム IDEA-FinQA を提案する。
  論文  参考訳（メタデータ） (2024-06-29T08:26:49Z)
• Federated Learning Priorities Under the European Union Artificial Intelligence Act [68.44894319552114]
  我々は、AI法がフェデレートラーニングに与える影響について、第一種学際分析(法とML)を行う。 データガバナンスの問題とプライバシに関する懸念について検討する。 最も注目すべきは、データのバイアスを防御し、プライベートでセキュアな計算を強化する機会である。
  論文  参考訳（メタデータ） (2024-02-05T19:52:19Z)
• Starlit: Privacy-Preserving Federated Learning to Enhance Financial Fraud Detection [2.436659710491562]
  Federated Learning(FL)は、さまざまなクライアントとローカルデータの間で協調的なモデルトレーニングを可能にする、データ最小化のアプローチである。 不正な金融取引を識別するための最先端のFLソリューションは、以下の制限のサブセットを示している。 Starlitは,これらの制限を克服する,スケーラブルなプライバシ保護機構である。
  論文  参考訳（メタデータ） (2024-01-19T15:37:11Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
  我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。 我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。 その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
  論文  参考訳（メタデータ） (2021-09-01T00:08:14Z)
• Explainable AI in Credit Risk Management [0.0]
  機械学習(ML)に基づく信用スコアリングモデルに対して,局所解釈モデル予測説明(LIME)とSHapley Additive exPlanations(SHAP)という2つの高度な説明可能性手法を実装した。 具体的には、LIMEを使用してインスタンスをローカルとSHAPで説明し、ローカルとグローバルの両方で説明します。 SHAP値を用いて生成されたグラフを説明するために利用可能なさまざまなカーネルを使用して、結果を詳細に議論し、複数の比較シナリオを提示する。
  論文  参考訳（メタデータ） (2021-03-01T12:23:20Z)

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。