在多方数据上捕捉不变性以用于去中心化信用评分

《ACM Transactions on Management Information Systems》：Capturing Invariance on Multi-Party Data for Decentralized Credit Scoring

信用评分模型联邦学习隐私保护与性能优化研究。本文提出基于联邦学习的ics方法，通过不变特征提取器解决多机构数据分布差异和隐私泄露问题，结合混合建模策略减少损失偏差。实验表明ics在区分性能和授信表现上优于基准方法，消融研究验证了各设计模块的有效性。

　　

摘要

随着金融市场的快速发展，各种机构可以合作开发信用评分模型。这种合作显著增加了用于训练模型的观测数据数量，从而提高了信用评分模型的性能。然而，这种合作面临隐私泄露和数据分布偏移的问题。为了解决这些问题，我们提出了一种基于联邦学习的新颖去中心化方法——不变且协作的信用评分（ICS）。具体而言，我们设计了一种不变特征提取器，通过最小化不变风险来从多方数据中提取不变特征。此外，我们还提出了一种混合建模策略，用于预测借款人是否会违约，并减少损失差异，以提升不变特征提取器的性能。实证评估表明，所提出的方法在区分性能和审批性能方面均显著优于基准方法。消融研究进一步揭示了ICS中每个设计元素对性能提升的核心作用。该方法能够安全有效地利用多方的大量观测数据来训练模型。