超越预服务时刻：通过引入在服务行为以提升金融风险预测
机器学习
2025-09-25 v3 人工智能
摘要
典型的金融风险管理涉及预服务风险评估和在服务违约检测两个 distinct 的阶段，常常被单独建模。本文提出了一种新框架，称为多粒度知识蒸馏（缩写为 MGKD），旨在通过整合在服务用户行为数据来提高预服务风险预测。MGKD遵循知识蒸馏的思想，其中在历史在服务数据上训练的教师模型指导在预服务数据上训练的学生模型。通过使用来自在服务数据的软标签，教师模型有助于学生模型在服务激活前提高其风险预测。同时，引入了多粒度蒸馏策略，包括粗粒度、细粒度和自蒸馏，以对齐教师和学生模型的表征和预测。这种方法不仅强化了违约案例的表征，还使学生模型能够从教师模型传递与违约者相关的关键行为模式，从而提高整个预服务风险评估的性能。此外，我们采用再加权策略来缓解模型对少数类的偏见。针对腾讯移动支付的大规模真实数据集进行实验，证明了我们方法在离线和在线场景中的有效性。
引用
@article{arxiv.2509.06385,
title = {Beyond the Pre-Service Horizon: Infusing In-Service Behavior for Improved Financial Risk Forecasting},
author = {Senhao Liu and Zhiyu Guo and Zhiyuan Ji and Yueguo Chen and Yateng Tang and Yunhai Wang and Xuehao Zheng and Xiang Ao},
journal= {arXiv preprint arXiv:2509.06385},
year = {2025}
}
备注
Accepted to IEEE ICDM 2025