An Interpretable Neural Network for Parameter Inference
用于参数推断的可解释神经网络AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确给出资产定价应用，并讨论金融市场非线性风险动态与理论行为的比较。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用于参数推断的可解释神经网络
- 研究问题
- 当回归关系存在复杂异质性与特征依赖时，如何让神经网络预测通过可解释参数表达，并估计这些参数的局部后验分布？
- 方法与思路
- 作者提出参数编码神经网络这一生成式架构，以局部回归参数解释输入与预测的关系，并用贝叶斯推断对参数估计施加正则化。
- 材料陈述的贡献
- 摘要称，该架构支持异质性参数的可视化、解释与推断；资产定价应用展示了探索非线性风险动态及与金融理论比较的用途。
- 阅读关注点
- 应核对局部参数的定义和可识别性、先验及后验近似的作用，以及资产定价应用中非线性效应与理论预测的具体比较方式。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实。摘要未说明后验校准、参数解释的唯一性或实证数值，不能直接认定其推断可靠性。
原文摘要
Adoption of deep neural networks in fields such as economics or finance has been constrained by the lack of interpretability of model outcomes. This paper proposes a generative neural network architecture - the parameter encoder neural network (PENN) - capable of estimating local posterior distributions for the parameters of a regression model. The parameters fully explain predictions in terms of the inputs and permit visualization, interpretation and inference in the presence of complex heterogeneous effects and feature dependencies. The use of Bayesian inference techniques offers an intuitive mechanism to regularize local parameter estimates towards a stable solution, and to reduce noise-fitting in settings of limited data availability. The proposed neural network is particularly well-suited to applications in economics and finance, where parameter inference plays an important role. An application to an asset pricing problem demonstrates how the PENN can be used to explore nonlinear risk dynamics in financial markets, and to compare empirical nonlinear effects to behavior posited by financial theory.