2025年12月24日
## 要約：
クレジットリスク予測における機械学習モデルの解釈性と精度にはトレードオフがある。本研究では、単調制約の精度への影響（価格）を5つのデータセットで検証した結果、大規模データセットでは精度低下がほとんどない一方、小規模データセットで制約が強い場合に影響が出やすいことがわかった。適切な単調制約は、精度をほとんど犠牲にすることなく解釈性を向上させることができる。
---
## 翻訳：
arXiv:2512.17945v1 Announce Type: new
Abstract: 金融機関は、クレジットリスクを予測するために機械学習モデルを導入する際に、予測精度と解釈性の間のトレードオフに直面します。単調制約はモデルの振る舞いをドメイン知識に合わせますが、その性能コスト、すなわち単調性の価格は十分に定量化されていません。本論文では、クレジットデフォルト確率に対して、5つの公開データセットと3つのライブラリにわたって、単調制約付きと制約なしの勾配ブースティングモデルをベンチマークします。単調性の価格 (PoM) を、ブートストラップ不確実性によるペア比較を通じて推定し、制約付きモデルへ移行する際の標準パフォーマンス指標の相対的な変化として定義します。実験では、AUC における PoM は実質的にゼロから約 2.9% の範囲です。制約は大規模データセットではほぼコストがかかりませんが（通常は 0.2% 未満で、しばしばゼロと区別できません）、広範な制約範囲を持つ小規模データセットで最もコストがかかります（約 2 ～ 3%）。したがって、適切に指定された単調制約は、大規模なクレジットポートフォリオにおいて特に、わずかな精度の低下で解釈性を実現できることがよくあります。
[📰 原文はこちら](https://arxiv.org/abs/2512.17945)
---
※本記事はAI（Ollama）による自動翻訳・要約です。
BittensorManがお勧めするメーカーリスト
https://exbridge.jp/xdirect/
AI時代の技術と知識のまとめ(AI生成メディア) - AIDexx
https://exbridge.jp/aidexx/
頑張って働く人に向けて、プロ用仕事アイテムを格安でネット販売しているX-Direct（ https://exdirect.net ）を、BittensorManは応援しています。
動画の最後にお得な情報がありますので、
最後までご覧ください。
