- 使用 BRIO 工具评估信用评分中的人工智能公平性
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 - 金融情感分析的迁移学习和 Transformer 架构
金融情感分析中的预训练语言模型和迁移学习原则可有效解决特殊的金融领域情感分析困难,同时考虑到像 COVID 这样疫情的因素,对两组不同数据进行情感分析,并使用较小的训练集对模型进行微调。
- 公平信用评分的分布鲁棒优化方法
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 - 基于注意力的动态多层图神经网络在贷款违约预测中的应用
作者提出了一种基于图神经网络和循环神经网络构建的动态多层网络的信用风险评估模型,该模型考虑了不同类型的连接和这些连接随时间的演变,并通过使用自定义的注意机制提高了模型表现,与传统方法相比,在预测借款人违约概率方面,我们的模型带来了更好的结果 - 模拟对事实的反事实情况
提出一种用于模拟具有离散和连续变量条件的反事实分布的算法,该算法可用于粒子滤波器,可应用于信贷评分中的公平性分析。
- 运用表达性布尔公式的可解释人工智能
本研究提出并实现了一种基于表达式布尔公式的可解释人工智能分类模型,适用于信用评分和医学诊断等领域,该分类器使用原生本地优化技术进行训练。
- 使用两阶段建模进行带置信度的预测
本研究针对金融评级中的分布转移问题,提出了一种新的两阶段模型,利用分布检测方法将数据分成自信和不确定的集合,并结合平均方差优化方法,对不确定样本提供可靠的界限,实现了可靠的预测。
- 深度学习与梯度提升:信用评分领域最先进机器学习算法的基准测试
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。
- 信用评分中的公平性:评估、实施和利润影响
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 - PermuteAttack: 机器学习信用评分卡的反事实说明
本文提出了一个基于对抗性生成的数据方法的模型评估和解释框架,该方法可用于信贷评分系统中的机器学习算法,该算法应用于表格形式的金融数据,包括离散和分类变量,并使用基于遗传算法的无梯度优化进行优化。
- 使用手机数据和社交网络分析提高金融包容性:大数据在信用评分中的价值
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 - KDDE.T.-RNN:将深度学习应用于信用贷款申请
本文提出了一种基于深度学习方法的银行零售客户信用评分的新方法。我们使用 RNNs 分析精细的跨国数据来为贷款申请人计算信用评分,并证明我们的方法显著优于基于某大型欧洲银行客户数据的基线方法。此外,我们在银行的贷款申请人上开展 pilot s - KDD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。
- 信用评分中的分类方法:一项系统性综述和总体比较
本文对二元分类技术在信用评分金融分析中的理论和应用进行了系统文献综述,结果表明了信用评级主要技术的应用和重要性,以及多年来的科学范式变化。