Краткое содержание

arXiv:2511.04980v1 Тип объявления: новый Аннотация: Финансовая отрасль сталкивается с серьезной проблемой моделирования и оценки рисков портфелей: необходимостью уравновешивать предсказательную способность продвинутых моделей машинного обучения и нейронных сетей с требованиями объяснимости, предъявляемыми регулирующими органами (такими как Управление контролера денежного обращения, Бюро защиты прав потребителей финансовых услуг). Настоящая статья направлена на заполнение пробела между применением "черных ящиков" моделей и фреймворков объяснимости, такими как LIME и SHAP. Авторы подробно рассматривают применение указанных фреймворков на различных моделях и демонстрируют возможность использования более сложных моделей с лучшей прогнозной способностью, достигая сопоставимого уровня объяснимости посредством методов SHAP и LIME. Помимо сравнения и обсуждения производительности, данная работа предлагает новую пятимерную структуру оценки внутренней интерпретируемости, глобальных объяснений, локальных объяснений, согласованности и сложности, предоставляя тонкий подход к оценке и сравнению моделей.