AI中国网 https: //www.cnaiplus.com
近日，深圳索信达数据技术有限公司（简称：索信达）与香港大学签署人工智能科研项目合作协议。索信达与香港大学双方将聚焦银行人工智能营销模型、信用卡新型反欺诈算法、金融风险及投资回报评估等3大领域开展核心技术研发工作，以期通过整合学术界顶尖的AI技术研发成果及核心算法能力，进一步推动人工智能在金融场景的落地。
索信达和香港大学由此延伸提出了“可解释性机器学习在银行业务中的应用”重点课题。对可解释性神经网络的研究，弥补了银行业对高性能低解释性模型的应用局限。如何保持模型性能且保持可解释性将是未来一个重要研究方向。
神经网络的发展为机器学习和人工智能领域带来了显著的突破。复杂的网络结构层出不穷，在计算机视觉和自然语言处理领域获得了极大的成功。除了模型的预测表现，透明度和可解释性也是机器学习模型是否值得信赖的重要考核标准。然而，大部分神经网络都是黑盒模型，其内部的决策过程很难被人们了解。如果没有充分的可解释性，这些模型在医药、金融等领域的应用将受到很多限制。例如，银行的信用评分模型不仅要预测精确，个中决策理由也要令人信服。 据悉，索信达战略合作伙伴、 香港大学统计及精算学系 张爱军博士团队已开发出一种新型可解释性神经网络SOSxNN模型，该模型 在保持较高预测精确度的同时，大幅度提升了模型的可解释性。
索信达金融人工智能实验室负责人邵平表示：“张爱军博士提出的基于网络结构约束的可解释性神经网络（SOSxNN）模型，通过三种网络结构化约束：a）稀疏可加子网络；b） 正交投影；c） 光滑函数；提升了模型的可解释性及预测精准度。其中条件（a）保证了子网络中岭函数的稀疏性，即使得模型尽量简洁、紧致，用最少的岭函数来构建模型。条件（b）为数据旋转提供了正交基，使得模型可辨识性增强。（c）使得岭函数更加光滑。简单的说，就是通过对（1）中的参数、及岭函数施加约束来构架出最紧致、函数性质最好的xNN模型。同时在 SOSxNN模型与其他机器学习模型，如多层感知机（MLP）、支持向量机（SVM）、 随机森林（Random Forests）、 Lasso 算法以及原始的 xNN 模型比较时，SOSxNN的预测精度被证明不低于这些模型。所以这是一种更简化、预测精度高的新型可解释神经网络模型。索信达期待能将这种新型的、可解释性机器学习模型大规模应用于银行业务中去，帮助客户创造更大的价值。”
AI中国网 https: //www.cnaiplus.com
本文网址：
