LLM 翻译信用风险模型解释，但证据表征是关键

研究人员探索了使用大型语言模型 (LLM) 将复杂的信用风险模型解释转化为更易于利益相关者理解的叙述。一项使用 Freddie Mac 贷款数据的研究比较了三种流程：标准表格（XGBoost + SHAP）、基于网络的方法（GNN + GNNExplainer）和双模组合。这些与包括 Gemma 3 4B、DeepSeek R1 70B 和 Gemini 2.5 在内的 LLM 配对。研究结果表明，证据表征方法比所使用的 LLM 对解释质量的限制更大，并且虽然 LLM 可以识别影响因素，但它们在说明影响方向方面不太可靠，而这对于不利行动沟通至关重要。专业人士也比非专业人士应用了更严格的证据标准。 AI

影响 LLM 可以改善复杂金融模型输出的沟通，但其传达影响方向的可靠性在受监管环境中需要进一步发展。

排序理由 研究论文发表在 arXiv 上，详细介绍了 LLM 在信用风险解释中的应用。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• DeepSeek R1 70B
• Freddie Mac
• Gemini 2.5
• Gemma 3 4B
• GNNExplainer: Generating Explanations for Graph Neural Networks
• Graph Neural Networks
• large-language models
• María Óskarsdóttir
• Shap
• XGBoost

• 论文
• 产品

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →