[論文レビュー] Towards Explainability of Machine Learning Models in Insurance Pricing

Kevin Kuo, Daniel E. Lupton|arXiv (Cornell University)|Mar 24, 2020

Explainable Artificial Intelligence (XAI)参考文献 15被引用数 9

ひとこと要約

本論文は、保険金請求の保険料設定における機械学習モデルの説明を可能にするフレームワークを提案している。モデルに依存しない解釈手法（SHAP値や部分的依存プロットなど）を用い、個々の被保険者に対するリスク要因の特定や規制適合の支援を可能にし、精算分野における透明性があり解釈可能な機械学習の導入を促進する。

ABSTRACT

Machine learning methods have garnered increasing interest among actuaries in recent years. However, their adoption by practitioners has been limited, partly due to the lack of transparency of these methods, as compared to generalized linear models. In this paper, we discuss the need for model interpretability in property & casualty insurance ratemaking, propose a framework for explaining models, and present a case study to illustrate the framework.

研究の動機と目的

• 規制対象の保険料設定分野における機械学習モデルの不透明性が、導入を妨げているという問題に対処する。
• ブラックボックスモデルの限界を克服し、規制当局やステークホルダーにモデルの挙動を説明するためのフレームワークを開発する。
• 特に個々の被保険者やリスク要因に関して、アクチュアリーがモデル意思決定を検証および説明できるツールを提供する。
• 高い性能を発揮する機械学習モデルと、解釈可能性と監査可能性を要件とする伝統的なアクチュアリー基準の間のギャップを埋める。
• アクチュアリー基準（ASOP 41）と整合性を保ちつつ、実用的で解釈可能な機械学習をレーティング作成に活用できるようにする。

提案手法

• SHAP（Shapley Additive Explanations）を用いて、個々の入力例における特徴量の寄与度を計算し、一貫性があり理論的に裏付けられた説明を保証する。
• 部分的依存プロット（PDP）を用いて、個々の予測子が予測された損失コストに与える限界的影響を可視化する。
• ウォーターフォールプロットを実装し、全般的なモデルの切片から始めて、各特徴量からの寄与度に分割して個々の予測を分解する。
• モデルに依存しない手法を用い、モデルアーキテクチャへのアクセスを必要としないため、多様な機械学習モデルに適用可能である。
• LIMEおよびALEプロットを補足的手法として活用し、局所的および条件付きの予測子感受性を評価する。
• 主にアクチュアリーの関心事に焦点を当てた説明を構築する：モデルが個々の被保険者にどのように影響を与えるか、および予測子が期待される損失コストとどのように関係するか。

実験結果

リサーチクエスチョン

• RQ1 保険料設定における機械学習モデルは、規制当局やステークホルダーに対してどのようにして解釈可能にすることができるか？
• RQ2 どのような手法が、寄与するリスク要因の観点から個々の被保険者予測を効果的に説明できるか？
• RQ3 予測子変数は、異なる被保険者プロファイルにおいて、期待される損失コストにどのように影響を与えるか？
• RQ4 SHAPやPDPのようなモデルに依存しない説明手法は、ASOP 41のようなアクチュアリー基準への適合をどのように支援するか？
• RQ5 解釈可能フレームワークは、予測性能を損なわせることなく、アクチュアリーが複雑な機械学習モデルを検証および説明するのを支援できるか？

主な発見

• SHAP値は、非加法的モデルであっても、特徴量の寄与度について一貫性があり、ゲーム理論的根拠に基づいた説明を提供する。
• ウォーターフォールプロットは、全般的な切片から始めて、各特徴量からの寄与度に分解することで、モデル予測を加法的に分解するのに効果的である。
• 部分的依存プロットは、予測子と期待される損失コストとの間の限界的関係を明らかにし、非線形効果を強調する。
• LIMEやALEプロットなどのモデルに依存しない手法は、局所的および条件付きの予測子行動に関する補足的洞察を提供する。
• このフレームワークにより、アクチュアリーはモデルの公平性やリスク要因の論理的根拠に関する重要な規制上の質問に答えられるようになる。
• 事例研究では、適切な説明ツールを組み合わせることで、機械学習モデルが高い予測性能と解釈可能性の両方を兼ね備えられることを示している。