生产环境中的可解释AI：用于实时欺诈检测的神经符号模型

Source: Towards Data Science

背景

• SHAP 需要 30 ms 来解释一次欺诈预测。
• 解释是 随机的，在决策 之后 执行，并且需要一个 背景数据集，该数据集必须在推理时维护。

神经符号模型基准

• 文章对一个 神经符号模型 进行基准测试，该模型在 Kaggle 信用卡欺诈 数据集上能够在 0.9 ms 内生成 确定性、可读的人类解释——作为前向传播本身的副产品。

结果

• 加速比： 相比 SHAP 提升 33×。
• 欺诈召回率： 与 SHAP 基线 相同。

文章 “Explainable AI in Production: A Neuro‑Symbolic Model for Real‑Time Fraud Detection” 首发于 Towards Data Science。