KDDNov, 2019

E.T.-RNN：将深度学习应用于信用贷款申请

PDF
TL;DR本文提出了一种基于深度学习方法的银行零售客户信用评分的新方法。我们使用 RNNs 分析精细的跨国数据来为贷款申请人计算信用评分，并证明我们的方法显著优于基于某大型欧洲银行客户数据的基线方法。此外，我们在银行的贷款申请人上开展 pilot study，该研究为该机构带来了显著的财务收益。本文还描述了我们的方法具有的其他一些非常重要的优势。
credit scoringdeep learningrnnsbanking industryloan applicants
发现论文，激发创造
  • 基于表格金融数据的信用风险监控的序列深度学习

    本文提出了一种新的信用风险评估方法，采用深度循环卷积神经网络并利用长期历史金融数据序列的新型信用卡交易抽样技术，优于现有的基于树模型的方法，能够实现显著的金融节约和更早的信用风险检测。

    Dec, 2020

  • 面向信贷借贷的可解释深度学习：案例研究

    该篇论文初步探讨了运用神经网络进行信用风险评估时，为提高模型的可解释性，已提出了一些技术。

    Nov, 2018

  • FinLangNet：一种利用金融数据中的语言类比进行信用风险预测的新型深度学习框架

    金融数据上的创新深度学习风险预测框架 FinLangNet，在 credit risk 预测上超过传统统计方法并与之结合以改善信用卡欺诈预测模型。

    Apr, 2024

  • 基于注意力的动态多层图神经网络在贷款违约预测中的应用

    作者提出了一种基于图神经网络和循环神经网络构建的动态多层网络的信用风险评估模型，该模型考虑了不同类型的连接和这些连接随时间的演变，并通过使用自定义的注意机制提高了模型表现，与传统方法相比，在预测借款人违约概率方面，我们的模型带来了更好的结果和对连接和时间戳重要性分析的新见解。

    Feb, 2024

  • 利用文本和数值数据流的多模态深度学习进行信用评级预测

    本研究对于公司信用评级的深度学习模型进行结构化数据和非结构化数据的多模态融合，其中以卷积神经网络为基础的模型与两种融合策略的效果最佳；此外，我们还发现更复杂的深度学习模型未必能够带来最好的性能，然而，如果注意力机制为性能最佳，那么交叉注意力机制为必要的融合策略；最后，我们比较了短期、中期和长期表现，并得出 Moody's 信用评级超过标普和惠誉等其他机构的结论。

    Apr, 2023

  • 金融欺诈检测的文本数据挖掘：深度学习方法

    使用深度学习的方法对金融欺诈文本进行自然语言处理的二元分类任务，并且通过不同种类的神经网络模型，包括多层感知机、RNN、LSTM 和 GRU 等，进行了准确性比较，为金融欺诈检测领域提供了有价值的见解。

    Aug, 2023

  • 使用深度学习和马尔可夫转移场进行的在线欺诈检测中的序列行为数据处理

    本论文提出了基于 RNN 和 MTF 结构的深度学习框架，利用客户在网站或智能手机应用程序上的交互行为序列进行在线欺诈行为预测。实验结果表明，相较于多层感知机网络和动态时间规整距离法作为距离度量的距离分类器，该网络结构可显著提高欺诈预测性能。

    Aug, 2018

  • 基于深度神经网络和 K - 最近邻的信用卡欺诈检测组合

    该论文介绍了一种基于欠采样算法、K 最近邻算法和深度神经网络的新技术，用于识别信用卡欺诈交易，并通过表现评估表明，DNN 模型具有高精度（98.12%），具有较好的欺诈交易检测能力。

    May, 2022

  • 基于循环神经网络的临床时间序列分析迁移学习

    探究深度循环神经网络的迁移学习，使用预训练的 RNN 对多变量临床时间序列进行建模，提取通用特征来建立新的任务分类器。结果表明，相比于特定任务的 RNN，使用预训练模型的特征更加稳健且通用，性能更好。

    Jul, 2018

  • 工作预测：从深度神经网络模型到应用

    本文通过使用不同的深度神经网络模型，包括 TextCNN、Bi-GRU-LSTM-CNN 和 Bi-GRU-CNN 以及各种预训练的单词嵌入来研究职业预测。此外，我们还提出了一个简单有效的组合模型。实验结果表明，我们的提出的组合模型取得了最高的 F1 分数为 72.71％。

    Dec, 2019