基于规则表示学习器的可解释贷款信用评估方法
机器学习
2023-04-04 v1
摘要
模型的可解释性已成为其在高风险领域广泛应用的主要障碍之一。通常获得可解释性的方法是先构建黑盒，然后使用事后解释方法对其进行解释。然而，事后方法提供的解释并不总是可靠的。相反，我们基于RRL（Rule Representation Learner，规则表示学习器）为Lending Club数据集设计了一个内在可解释模型。具体而言，根据特征自身特性将其分为三类并分别构建三个子网络，每个子网络类似于具有单个隐藏层的神经网络，但可等价转换为一组规则。在训练过程中，我们从先前研究中学习了有效训练二值权重的技巧。最后，我们的模型与基于树的模型进行了比较。结果表明，我们的模型在性能上远优于可解释决策树，并接近其他黑盒模型，这对金融机构和借款人都具有实际意义。更重要的是，我们的模型用于测试事后方法生成解释的正确性，结果表明事后方法并不总是可靠的。
引用
@article{arxiv.2304.00731,
title = {An Interpretable Loan Credit Evaluation Method Based on Rule Representation Learner},
author = {Zihao Chen and Xiaomeng Wang and Yuanjiang Huang and Tao Jia},
journal= {arXiv preprint arXiv:2304.00731},
year = {2023}
}