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

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

本文旨在通过实现一个两步训练过程来识别和减轻个人不公平, 并利用最近在此领域发表的一些技术，特别是在信贷审批用例中适用的技术。我们还调查了实现个人公平性的技术在实现团体公平性方面的有效程度以及提出了第二度量标准来确定模型如何公平地处理类似的个体，最后呈现了一些与个人不公平减轻技术相关的实验结果。

Nov, 2022

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

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

本研究解决了机器学习模型在关键决策中存在的性别偏见问题，特别是在贷款审批过程中。通过结合反事实公平和数据增强的方法，研究表明这些技术能够有效减少金融行业的性别偏见，强调在构建机器学习模型时采用公平性意识技术的重要性，以确保道德和公正的决策。

Aug, 2024

本研究探讨了美国信用评分在消费者债务分配中的表现不足，特别是对低评分借款人的错误分类。通过使用机器学习模型，该研究显著提高了对年轻、低收入和少数群体的信用预测准确性，表明改善信用评分性能可以促进对信用的更公平获取。

Aug, 2024