本研究探讨公平机器学习在征信评分中的应用，介绍了统计公平性准则、机器学习模型中公平性目标的算法选择，使用实际数据实证比较了不同的公平性处理器，发现多种公平性准则可以同时得到满足，提出分离度作为评估公平性的准则，证明了公平性处理器能在利润与公平性中找到一个良好的折中点，可以以较低的成本将算法歧视降低到合理的水平。

Mar, 2021

这篇文章针对金融服务公司中的信用风险管理问题，对比了深度学习和梯度增强机在不同特征数据集上的表现，结果发现梯度增强机更为强大、运算速度更快，在大多数情况下是信用评分的最佳解决方案。

May, 2022

通过META模型，在考虑财务报告信息的前提下，可以更好地预测公司信用评级，比标准的机器学习算法更有效。

Jul, 2022

这篇研究主要考察当前使用的情感分析技术以提高信用评级预测的准确性，以解决银行及其他非政府组织人工审核贷款的低效与容易出错的问题。

Sep, 2022

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

本文旨在探究如何使用聚类方法和机器学习算法，包括自然语言处理（NLP），通过验证报告中所包含的文本信息，来识别和分类信用风险模型中存在的问题。作者使用了嵌入式生成以及四个不同的预训练模型来分析645个所得发现的标题和观察结果，并使用各种聚类方法来将具有相似特征的发现进行分组，从而更有效地识别和分类每个验证维度和严重程度中存在的常见问题。在分析结果中，作者证明了聚类和机器学习可以有效地分析验证报告中的文本信息，并提供了信用风险模型开发和验证中遇到问题的洞见。

Jun, 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

在全球化金融市场中，商业银行面临不断升级的信贷风险，从而对银行资产安全和金融稳定性提出更高要求。本研究利用先进的神经网络技术，特别是反向传播神经网络，开创了一种新的模型来预测商业银行的信贷风险。通过比较分析，阐明了神经网络模型在预测商业银行信贷风险方面的优越性。实验结果表明，该模型有效提高了信贷风险管理的远见性和准确性。

May, 2024

本研究针对中小企业信用风险评估中的数据关系不足问题，提出了一种基于图神经网络的模型。通过构建金融指标之间的相似性矩阵并进行图结构映射，最终模型在真实企业数据上显示出显著的分类效果和鲁棒性，为企业信用风险评估提供了新的解决方案。

Sep, 2024

本文针对信用评分中的机器学习应用，解决了可能存在的偏见、歧视与不透明性等问题。通过非系统性的文献综述，提出了公平性、拒绝推断与可解释性等最佳实践，引导金融机构在应用机器学习时，确保道德与责任借贷的实现。研究强调了透明性的重要性，为理解和改善个人信用评分提供了方法和技巧。

Sep, 2024