A Hypothesis on Good Practices for AI-based Systems for Financial Time Series Forecasting: Towards Domain-Driven XAI Methods

要約

機械学習と深層学習は財務予測や予測タスクにおいてますます普及しており、顧客エクスペリエンスの向上、金融サービスの民主化、消費者保護の改善、リスク管理の強化などの利点を提供しています。
ただし、これらの複雑なモデルは透明性や解釈可能性に欠けていることが多く、金融などの機密性の高い分野で使用するのは困難です。
これにより、人間が理解しやすいモデルを作成することを目的とした説明可能な人工知能 (XAI) 手法の台頭が生まれました。
LIME や SHAP などの古典的な XAI 手法は、複雑なモデルを説明するために開発されました。
これらの手法は多大な貢献をしてきましたが、計算の複雑さ、固有のモデルのバイアス、データ サンプリングに対する感度、特徴の依存性に対処する際の課題などの制限もあります。
これに関連して、このホワイトペーパーでは、金融向けの AI ベースのシステムに説明可能性を導入するためのグッド プラクティスを検討し、データ品質、対象者固有の方法、データ プロパティの考慮、説明の安定性の重要性を強調します。
これらの実践は、金融業界特有の課題と要件に対処し、効果的な XAI ツールの開発を導くことを目的としています。

要約(オリジナル)

Machine learning and deep learning have become increasingly prevalent in financial prediction and forecasting tasks, offering advantages such as enhanced customer experience, democratising financial services, improving consumer protection, and enhancing risk management. However, these complex models often lack transparency and interpretability, making them challenging to use in sensitive domains like finance. This has led to the rise of eXplainable Artificial Intelligence (XAI) methods aimed at creating models that are easily understood by humans. Classical XAI methods, such as LIME and SHAP, have been developed to provide explanations for complex models. While these methods have made significant contributions, they also have limitations, including computational complexity, inherent model bias, sensitivity to data sampling, and challenges in dealing with feature dependence. In this context, this paper explores good practices for deploying explainability in AI-based systems for finance, emphasising the importance of data quality, audience-specific methods, consideration of data properties, and the stability of explanations. These practices aim to address the unique challenges and requirements of the financial industry and guide the development of effective XAI tools.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google