Современные методы объяснимого искусственного интеллекта (XAI), такие как SHAP и LIME, разработаны для статичных данных и не учитывают временную нестабильность интерпретаций, возникающую при смене макроэкономических фаз или изменении поведения заемщиков. Кроме того, существующие системы кредитного скоринга предоставляют лишь точечные оценки вероятности дефолта, не давая количественной меры неопределенности прогноза, что противоречит регуляторным требованиям (ЕЦБ, Базель III, IFRS 9). В...Подробнее

Разработать и эмпирически верифицировать адаптивную интерпретируемую систему раннего предупреждения дефолта, интегрирующую: (1) динамическое обновление объяснений модели (адаптивный SHAP/LIME) при концептуальном дрейфе, (2) количественную оценку неопределенности прогнозов через байесовское глубокое обучение или конформное предсказание, (3) механизмы обнаружения сдвига распределения данных для своевременной перекалибровки модели.

Этап 1 – Обзор литературы Способ: аннотированный список литературы с таблицей сравнения методов. Критерий: ≥40 источников (2019–2026), выявлены пробелы. Этап 2 – Подготовка датасета Способ: готовый DataFrame с временными окнами и скрипт разбиения. Критерий: минимум 3 последовательных окна, временная целостность сохранена. Этап 3 – Базовые модели Способ: код обучения + метрики (AUC, F1) на валидации. Критерий: AUC ≥ 0,75 для XGBoost/LightGBM. Этап 4 – Адаптивный SHAP Способ: расчёт SHAP по...Подробнее

Письменный финальный отчёт – структурирован по формату статьи в Journal of Banking & Finance (введение, методология, эксперименты, выводы), объёмом 15–25 страниц. Набор воспроизводимых программных артефактов – код на Python (Jupyter-ноутбуки, скрипты) в открытом репозитории (GitHub) с инструкцией по запуску. Интерактивный прототип системы мониторинга – веб-дашборд (Streamlit/Dash), демонстрирующий работу адаптивной системы на тестовых данных. Презентационные материалы – слайды для защиты...Подробнее

1. Вычислительные ресурсы Сервер или облачный инстанс с GPU (NVIDIA Tesla T4 или аналогичная) — для обучения ансамблей, байесовских нейронных сетей и расчёта SHAP-значений на временных окнах. Оперативная память: не менее 32 ГБ для работы с полными датасетами (например, Home Credit). Дисковое пространство: 100–200 ГБ для хранения данных, промежуточных моделей и результатов экспериментов. 2. Программное обеспечение и библиотеки Python 3.9+ с пакетами: PyTorch / TensorFlow, GPyTorch (для...Подробнее

1. Научные публикации Адаптивный SHAP при концептуальном дрейфе (2025) Байесовский скоринг с калибровкой (2026) Конформное предсказание для кредитования (2024) Работы по детекции дрейфа (Delta-XAI, Frouros). 2. Программные реализации Open-source код адаптивного Fair XAI скоринга. Библиотеки: Alibi (мониторинг + SHAP), Frouros (детекция дрейфа), Shapley-Detect. Готовые реализации байесовских и конформных методов. 3. Данные и бенчмарки Home Credit Default Risk (с помесячными балансами) +...Подробнее