【斯坦福大学】面向可解释人工智能:神经网络的显著性检验（Towards Explainable AI: Significance Tests for Neural Networks），26页pdf

简介： 神经网络是许多表现最佳的AI系统的基础，包括智能手机上的语音识别器或Google最新的自动翻译器，这些应用程序的巨大成功激发了人们对将神经网络应用于金融，经济，运营，市场营销，医学等许多其他领域的兴趣。在金融领域，研究人员已经在风险管理，资产定价和投资管理方面开发了一些有前途的应用程序。NN的成功很大程度上取决于其惊人的逼近特性，出色的预测性能以及可扩展性，然而，主要的问题是模型的可解释性：NN被视为黑匣子，几乎无法洞悉如何进行预测，本教程将对NN的可解释性作出响应的回答。

嘉宾介绍： Kay Giesecke，是斯坦福大学管理科学与工程教授，也是工程学院的Paul Pigott系学者。他是高级金融技术实验室的主任，也是数学和计算金融计划的主任。他在风险数据分析联盟的理事会和科学顾问委员会任职。Kay是一位金融工程师。他开发了随机财务模型，设计了用于分析财务数据的统计方法，研究了模拟和其他数值算法来解决相关的计算问题，并进行了实证分析。