【论文标题】Generating Plausible Counterfactual Explanations for Deep Transformers in Financial Text Classification 【作者团队】Linyi Yang, Eoin M. Kenny, Tin Lok James Ng, Yi Yang, Barry Smyth, and Ruihai Dong 【发表时间】2020.10.23 【论文链接】https://arxiv.org/abs/2010.12512 【推荐理由】本文收录于COLING- 2020会议，来自都柏林大学学院、伍伦贡大学以及香港科技大学的研究人员提出一种深度Transformer用于生成金融文本中看似合理的反事实解释。

企业并购案每年在全球投资数十亿美元，这为人工智能提供了一个有趣而富有挑战性的领域。然而，在这些高度敏感的领域中，至关重要的是不仅要具有高度健壮和准确的模型，而且还要能够产生有用的解释来赢得用户对自动化系统的信任。遗憾的是，最近关于可扩展AI在金融文本分类中的研究几乎没有受到关注，并且当前许多用于生成基于文本解释的方法，会导致高度不合理的解释，这破坏了用户对系统的信任。为了解决这些问题，研究人员提出了一种新颖的方法，用于产生看似合理的反事实解释，同时探索金融科技领域中语言模型的对抗性训练的正则化好处。详尽的定量实验表明，与当前的最新技术水平和人类绩效相比，该方法不仅提高了模型的准确性，而且产生了反事实的解释，经过人类试验这些解释似乎更为合理。 图：模型概览图

内容中包含的图片若涉及版权问题，请及时与我们联系删除