在绩效与否定样本纳入之间取得平衡：一种新型自信内样外推框架用于信用评分
机器学习
2025-10-16 v1
摘要
否定推断 (Reject Inference, RI) 方法旨在通过推断被拒信用申请者的缺失还款数据来解决样本偏差问题。传统方法常常假设被否决客户的行为可以从被接受客户那里外推，但两种人群之间可能存在分布差异。为缓解这种盲目外推，本文提出了一种新型自信内样外推框架 (CI-EX)。CI-EX 通过使用异常检测模型迭代识别被否决客户样本的分布，并基于监督分类模型推导的概率，将标签分配给最接近被接受人群分布的被否决个体。通过在两个大型真实信用数据集上进行实验验证了我们所提出框架的有效性。采用ROC曲线下面积 (AUC) 以及RI特定指标，如Kickout指标，以及本文引入的新型指标——Kickout曲线下面积进行性能评估。我们的发现表明，包括所提出框架在内的RI方法通常在AUC与RI特定指标之间存在权衡。然而，所提出的CI-EX框架在大多数实验中能够在保持竞争AUC性能的同时， consistently 优于信用文献中现有的RI模型在RI特定指标方面的表现。
引用
@article{arxiv.2510.12967,
title = {Balancing Performance and Reject Inclusion: A Novel Confident Inlier Extrapolation Framework for Credit Scoring},
author = {Athyrson Machado Ribeiro and Marcos Medeiros Raimundo},
journal= {arXiv preprint arXiv:2510.12967},
year = {2025}
}
备注
45 pages, 19 figures