描述
我们提出了一个用于信用风险建模的对抗性深度学习模型。我们利用复杂的机器学习模型的三角剖分能力（即，仅使用允许的特征推断敏感组的隶属关系），这在公平机器学习研究中通常被认为是“麻烦的”，以积极的方式增加借款人福利和贷款人利润，同时提高公平性。我们在一家真实小额贷款公司的数据集上训练和测试我们的模型。在改善借款人福利和贷款人利润方面，我们的模型明显优于无对手的常规深度神经网络和最流行的信贷风险模型XGBoost。我们的实证结果还表明，传统的AUC指标不能反映模型在借款人福利和贷款人利润方面的表现。我们的框架可以为其他小额贷款公司定制，并且可以轻松适应许多其他决策场景。
推荐引文
胡锡阳；黄、严；李，贝贝；和Lu，Tian，“没有敏感特征的信贷风险建模：公平和利润的对抗性深度学习模型”（2022年）。ICIS 2022会议记录. 4.
https://aisel.aisnet.org/icis2022/ai_business/ai_business/4
12月12日，12:00 AM
无敏感特征的信用风险建模：一个公平和利润的对抗性深度学习模型
我们提出了一个用于信用风险建模的对抗性深度学习模型。我们利用复杂的机器学习模型的三角剖分能力（即，仅使用允许的特征推断敏感组的隶属关系），这在公平机器学习研究中通常被认为是“麻烦的”，以积极的方式增加借款人福利和贷款人利润，同时提高公平性。我们在一家真实小额贷款公司的数据集上训练和测试我们的模型。在改善借款人福利和贷款人利润方面，我们的模型明显优于无对手的常规深度神经网络和最流行的信贷风险模型XGBoost。我们的实证结果还表明，传统的AUC指标不能反映模型在借款人福利和贷款人利润方面的表现。我们的框架可以为其他小额贷款公司定制，并且可以轻松适应许多其他决策场景。
在评论文章时，请友好、欢迎、尊重并遵守AIS eLibrary讨论线索发布的行为准则在这里.
