比较了四种梯度提升方法在一些真实数据集上的表现，着重考虑超参数优化策略，并尝试找到一种具有效果、可靠性和易用性的梯度提升算法。

May, 2023

本研究利用机器学习模型对信用卡违约进行预测，通过一系列实验和数据处理技术，结果表明多层感知器神经网络（MLP）在预测信用卡违约和评估潜在风险方面表现优越，帮助银行等金融机构更早地预测贷款违约。

Oct, 2023

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

本文介绍了一种基于时间序列的深度学习方法及其与传统机器学习方法的比较结果，结果表明，输入变换可以提高传统 GBRT 模型的性能，使其优于所有评估的最新 DNN 模型。

Jan, 2021

通过使用通信运营商提供的大规模数据，本文基于融合 LightGBM 算法对运营商用户信用评估模型进行了研究，首先通过数据预处理和特征工程方法提取与用户评估相关的关键特征，构建具有统计学意义的多维特征集合；然后，使用线性回归、决策树、LightGBM 等机器学习算法构建多个基础模型，找出最佳基础模型；最后，整合平均、投票、混合、堆叠等集成算法，优化多个融合模型，最终建立适用于运营商用户评估的最佳融合模型。

Mar, 2024

本文研究了三个软件 Gradient Boosting Decision Trees (GBDTs) packages: XGBoost, LightGBM 和 Catboost 的 GPU 加速性能以及在超参数优化方面的比较，并注意到 GBDTs 的许多超参数需手动调整或自动优化，以达到最佳预测能力。

Sep, 2018

本文基于 Kaggle 中一家外国商业银行的客户信息数据集，使用 LightGBM 算法构建分类器对客户进行分类，以帮助银行判断客户信用违约的可能性。通过特征工程处理，如缺失值处理、编码、不平衡样本等，极大地提高了机器学习效果。本文的主要创新在于在原始数据集的基础上构建了新的特征属性，使分类器的准确率达到了 0.734，AUC 达到了 0.772，超过了许多基于相同数据集的分类器。该模型可以为商业银行的信用授予提供一些参考，同时也为其他类似研究提供了一些特征处理的思路。

Aug, 2023

本研究探讨了 12 种顶级的偏差缓解方法，讨论其性能，基于 5 种不同的公平度量标准、实现的准确性和金融机构的潜在利润。我们的研究结果表明，在保留准确性和利润的前提下实现公平存在困难，同时突出了一些最佳和最差的表现，并有助于实验机器学习和其工业应用之间的联系。

Sep, 2022

在消费借贷领域，准确的信贷违约预测是风险缓解和借贷决策优化的关键要素，本研究通过引入创新方法挑战传统模型，构建了一个由 LightGBM、XGBoost 和 LocalEnsemble 模块组成的集成方法框架，通过利用独特的特征集直接解决了之前研究中的局限性，旨在为信贷违约预测准确性建立新的标准，实验证明了集成模型在数据集上的有效性，为推动信贷违约预测模型的准确性和稳健性树立了先例。

Feb, 2024

本文探讨了采用 Gradient Boosted Decision Trees 作为分类器的自然语言推断（NLI）任务方法，介绍了 FreeGBDT 方法，该方法可以在不增加神经网络的计算量的情况下，提高对特征的分类精度，实验证明 FreeGBDT 对于多个 NLI 数据集的 RoBERTa-large 基线模型都有稳定的提升。

May, 2021