May, 2023

对比学习和域自适应技术实现包容性金融科技借贷

PDF
TL;DR本文研究了金融科技贷款平台的贷款筛选中所存在的表征偏差问题，并提出了一种基于 Transformer 的序列贷款筛选模型，采用自监督对比学习和领域自适应来解决这个问题。实验结果表明，该模型显著促进了资金决策的包容性，并将贷款筛选精度和利润分别提高了 7.10％和 8.95％。
fintech lendingrepresentation biasmachine learning algorithmssequential loan screeningself-supervised contrastive learning
发现论文，激发创造
  • 无偏决策减少遗憾：面向银行贷款问题的对抗领域适应

    通过对抗性领域适应性解决训练数据偏差问题，adversarial optimism（AdOpt）显著超过了现有性能，并初步证明对抗性领域适应性的引入改善了这个情景中的公平性。

    Aug, 2023

  • 对比领域自适应

    本文探讨了将对比自监督学习扩展到领域适应上述情形的方法，通过无标签的正负样本比较学习，进一步识别和排除潜在可能误判的负面效应，以提高领域适应任务中的性能表现。

    Mar, 2021

  • 视觉域适应的可转移对比学习

    本文提出了一种自我监督学习方法，即可转移对比学习（TCL），其将 SSL 和所需的跨域可转移性紧密地联系起来，并通过特定的内存库和伪标签战略对源和目标之间的跨域内部类域差异进行惩罚

    Dec, 2021

  • 对比是你所需要的一切

    我们分析了数据稀缺的分类场景，并比较了 SetFit（句子转换微调）和基于法规分类任务的基础微调设置。结果表明，使用 SetFit 的对比设置比基础微调表现更好，同时只需使用一小部分训练样本。LIME 结果显示，对比学习方法有助于提升在法律上具有信息量且对分类结果有贡献的正面和负面特征。因此，使用对比目标微调的模型在法律信息上更有信心地进行决策。

    Jul, 2023

  • 信用评分中的拒绝推断浅层自学习

    本文提出了一种自我学习的框架和一种新的评估措施，用于处理样本偏差和拒绝推断问题，并在真实的信用评分数据集上进行了测试，证明其相对于传统的自我学习和拒绝推断策略具有更好的性能和评估效果。

    Sep, 2019

  • 领域自适应遇到个体公平，他们相处融洽

    本文论述了算法公正与数据分布的关系，即算法公正干预可以帮助机器学习模型克服数据分布的偏差，并且领域自适应方法可以减轻算法偏差。

    May, 2022

  • 对比学习的隐私风险量化与减轻

    本文针对对比度学习的隐私问题进行了首次隐私分析，实验结果表明，相对于监督学习模型，对比学习模型更易受到属性推断攻击，但其会导致的成员推断攻击风险较小。为解决这一问题，提出了一种新的隐私保护对比度学习机制 Talos，通过对抗式训练成功地缓解了属性推断威胁，同时保持了其成员隐私和模型效用。

    Feb, 2021

  • 加强金融包容性及监管挑战：数字银行和替代信贷在数字平台、机器学习和大型语言模型整合中的关键分析

    本研究探讨数字银行和替代贷方对金融包容性的双重影响以及他们的商业模式所带来的监管挑战，通过对运营框架和技术基础设施的详细分析，确定了促进更广泛金融准入并缓解传统障碍的关键机制；此外还解决了与数据隐私、算法偏见、金融稳定和消费者保护有关的重要监管问题，通过定量金融数据分析与行业专家的定性见解相结合的混合方法研究，阐明了利用数字技术促进金融包容性的复杂性；研究结果强调了需要演进的监管框架，以将创新与全面风险管理相协调；本文最后提出了针对监管机构、金融机构和技术提供商的政策建议，旨在通过审慎的数字技术整合培育一个更具包容性和稳定性的金融生态系统。

    Apr, 2024

  • 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

  • 跨领域情感分析的纯对比学习

    本文探索对跨域情感分析任务采用对比学习方法，提出了一种修改后的对比目标，并在同一类的句子表示之间拉近，不同类的之间推远的方法，实验证明我们的模型在跨域和多域情感分析任务中都取得了最先进的性能，同时，可视化结果展示了知识转移的有效性，并通过对抗测试验证了模型的鲁棒性。

    Aug, 2022