一种用于可解释评分卡的纵向联邦学习方法及其在信用评分中的应用
机器学习
2020-09-15 v1 机器学习
摘要
随着大数据与人工智能在诸多领域的成功，大数据驱动模型在金融风险管理尤其是信用评分与评级中的应用的期望日益增强。在数据隐私保护前提下，我们提出一种基于投影梯度的纵向联邦学习框架下的传统评分卡方法，其基于带边界约束的逻辑回归，即FL-LRBC。后者使得多家机构能够在单次训练会话中联合训练一个优化的评分卡模型。它形成了具有正系数的模型，同时可避免耗时的参数调优过程。此外，由于使用FL-LRBC进行数据 enrichment（数据丰富化），AUC和Kolmogorov-Smirnov（KS）统计量方面的性能均显著提升。目前，FL-LRBC已应用于某全国性金融控股集团的信贷业务。
引用
@article{arxiv.2009.06218,
title = {A Vertical Federated Learning Method for Interpretable Scorecard and Its Application in Credit Scoring},
author = {Fanglan Zheng and Erihe and Kun Li and Jiang Tian and Xiaojia Xiang},
journal= {arXiv preprint arXiv:2009.06218},
year = {2020}
}