面向可信财务AI的持久性和对话式多方法解释性
人工智能
2026-05-13 v1
摘要
金融机构日益需要AI解释具备持久性、跨方法交叉验证且能够通过自然语言对话直观易懂。我们提出一种面向金融情感分析的人类中心化解释AI架构，包含三个贡献。第一，我们将XAI制品（LIME特征归因、遮挡基于词重要性得分和显著性热图）作为持久化、可搜索的对象存储于分布式S3兼容存储中，配合结构化元数据和自然语言摘要，实现解释历史的语义检索以及系统故障后的自动索引重建。第二，我们实现多方法解释三角验证，检索增强生成（RAG）助手对同一预测应用的多个XAI方法进行比较和综合，允许用户通过自然语言对话评估解释的鲁棒性。第三，我们针对grounding completeness、幻觉论点和方法归因行为，对生成解释的忠诚度进行自动化评估。我们在使用FinBERT预测的EXTRA-BRAIN金融情感分析管道上演示了该架构，并呈现评估结果表明：受限提示显著降低幻觉率36%，而提高方法归因引用率73%。我们讨论了在受监管的金融环境中面向可信、人类中心化AI服务的影响。
引用
@article{arxiv.2605.11687,
title = {Persistent and Conversational Multi-Method Explainability for Trustworthy Financial AI},
author = {Georgios Makridis and Georgios Fatouros and John Soldatos and George Katsis and Dimosthenis Kyriazis},
journal= {arXiv preprint arXiv:2605.11687},
year = {2026}
}
备注
5 pages