信用评分：表现与公平
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
本文介绍了使用通话记录等大数据源以增强信用评分模型的性能及经济效益的研究。利用不同数据集结合社交网络分析技术，本文得出结论：在信用评分模型中融入通话记录等数据，可以显著提高其统计和经济性能，尤其是在利用利润度量和利润相关选择特征等方面。此外，调用行为特征不仅是其他模型中最具有预测性的特征，而且用它构建模型可以获得最佳利润。
Feb, 2020
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
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
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
应用分布鲁棒优化方法(DRO)研究信用评分，评估其在公平性、正确分类能力和解决边际比例变动时解决方案的稳健性方面的表现，结果显示DRO方法在公平性方面有显著改进，并且几乎不损失性能。但需要进一步完善有效实施这些系统。研究还指出，在信用评分环境中，许多常用的公平性指标并不适用，因为它们依赖于分类阈值的选择。
Feb, 2024
我们提出了一种定量，深入分析AI系统中的公平问题的方法，并将其应用于信用评分。我们使用了BRIO工具来评估AI系统在社会不公正和道德上不可取行为方面的情况，其中包括了一个模型无关的偏见检测模块和一个完整的不公平风险评估模块。我们分析了UCI德国信用数据集，将BRIO的公平度量应用于德国信用数据集中的多个社会敏感属性，量化了各种人口统计分布中的公平性，旨在确定信用评分模型中潜在的偏见和歧视来源。最后，我们将研究结果与收入分析相结合。
Jun, 2024
在金融机构中，评分模型的建立和评估基于已接受申请人的数据，而他们的还款行为已知。然而，这样做会产生抽样偏差，而论文中提出的两种方法，即拒绝推理和贝叶斯框架，有效地解决了这个问题，并证实了它们在预测性能和盈利能力方面的优越性。
Jul, 2024