AI 안전성(safety)에 관한 주장은 AI 커뮤니티를 훨씬 넘어선 청중에게 전달되지만, 많은 경우 지원 근거를 애초에 접근할 수 있는 경우에도 불투명한 근거나 정적인 평가에 의존한다. 우리는 실증적 근거를 대중에게 더 투명하고 추적 가능하게 만들기 위해 구축한 공개 평가(evaluation) 파이프라인 및 대시보드인 Systemic Risk Index를 제시한다. 본 연구는 19개 공개 벤치마크(benchmark)를 EU GPAI 실행강령(Code of Practice)이 정의한 네 가지 체계적 위험(systemic-risk) 범주---CBRN, 사이ber 공격(cyber offense), 유해 조작(harmful manipulation), 통제 상실(loss of control)---로 구성하고, 위해(harm)을 보존하는 perturbation과 시뮬레이션된 배포(deployment) 맥락에서 모델(model)을 평가한다. 대화형 대시보드는 사용자가 평균 및 최악(worst-case) 집계(aggregation)를 전환하고, 모델 역량(capability)이 종합 점수에 미치는 영향을 조정하며, 각 위험 등급을 해당 벤치마크 근거까지 추적할 수 있게 한다. 18개 모델에서 최악 집계 시 점수가 14~37점 하락하여, 모델 위험의 평균 평가로 가려질 수 있는 정보를 부각한다. LLM 심판(judge)은 인간 채점자와의 일치도가 인간--인간 일치도와 유사하며($\kappa = 0.78\text{--}0.82$), 맹검(blind) 감사(audit)에서 표본 변환의 $83\%$가 원래 위해를 보존하는 것으로 나타났다. 설문($N = 21$)에서 대다수 참가자는 점수를 이해하기 쉽다고 보고하며, 대시보드가 서로 다른 설정에서 모델 평가를 살펴보도록 유도했다고 답했다.
상호 연결된 시장 내 금융 기관의 기능적 역할을 이해하는 것은 효과적인 감독, 시스템적 리스크 평가, 정리계획 수립에 필수적이다. 본 연구에서는 다층 금융 네트워크를 위한 해석 가능한 역할 기반 클러스터링 접근법을 제안하며, 이는 다양한 시장 부문에 걸쳐 기관의 기능적 위치를 식별하도록 설계되었다. 제안 방법은 근접도 측정, 클러스터 평가 기준, 알고리즘 선택으로 정의된 일반적인 클러스터링 프레임워크를 따른다. 시장 층 내부 및 층 간의 직접·간접 거래 관계를 포착하는 에고넷(egonet) 특징에 기반한 설명 가능한 노드 임베딩을 구성한다. ECB의 머니마켓 통계 보고(MMSR) 거래 수준 데이터를 활용하여, 이 접근법이 시장 중개자, 부문 간 연결자, 주변부 대출자 또는 차입자와 같은 이질적인 기관 역할을 어떻게 발견하는지 시연한다. 결과는 금융 네트워크 분석 및 복잡한 시장 구조에서의 기관 행동 이해에 있어 역할 기반 클러스터링의 유연성과 실용적 가치를 부각한다.
글로벌 금융 시스템의 상호연결성은 소수 기관의 실패가 치명적인 연쇄 디폴트를 촉발할 수 있는 시스템적 리스크에 취약하게 만든다. 전통적인 리스크 모델은 이러한 네트워크의 복잡한 비선형 역학을 포착하지 못하는 경우가 많다. 그래프 신경망(GNN)은 관계형 데이터 모델링에서 유망함을 보여 왔지만, 주로 상관적 패턴을 학습하고 블랙박스로 작동하여 충격 전파의 인과적 메커니즘에 대한 통찰을 거의 제공하지 못한다. 이 한계는 스트레스 테스트를 수행하고 효과적인 개입 방안을 마련하기 위해 설명 가능한 모델을 요구하는 규제 기관에게 중요하다. 우리는 GNN과 반사실적 추론을 통합하여 시스템적 리스크에 대한 설명 가능한 평가를 제공하는 새로운 프레임워크인 CausalGraphX를 제안한다. CausalGraphX는 그래프 어텐션 메커니즘을 사용하여 기관 취약성의 표현을 학습하고, 이러한 표현이 허위 상관관계가 아닌 인과적 요인을 포착하도록 적대적 정규화 기법을 사용한다. 또한 우리는 반사실적 설명을 생성하기 위한 최적화 기반 접근법을 제안하여, "특정 스트레스 시나리오에서 Bank A의 디폴트를 막기 위해 필요한 최소 자본 주입은 얼마였을까?"와 같은 질문에 답한다. 우리는 대규모 합성 금융 네트워크에서 CausalGraphX를 검증한다. 결과는 CausalGraphX가 희소하고 타당하며 실행 가능한 반사실적 설명을 제공하는 동시에 연쇄 디폴트 예측에서 전통적 및 심층 학습 베이스라인을 크게 능가함을 보여준다.