面向信用风控模型的差分隐私
密码学与安全
2021-06-30 v1 计算与语言
机器学习
摘要
使用机器学习算法对用户行为建模并驱动业务决策已愈发普遍，具体体现为对自动化决策的智能推荐。这导致客户个人数据被用于分析客户行为并预测其对某公司产品的兴趣。对客户个人数据使用的增加可带来更好的模型，但也可能导致客户数据泄露、逆向工程及不当处理。在本文中，我们通过在预测模型开发的数据工程和模型训练阶段内置隐私保护，评估差分隐私作为解决这些隐私问题的方案。我们的兴趣在于运营环境中的务实实现，这需要通用的差分隐私建模框架，我们评估了 LeapYear 的一个此类工具在信用风控建模领域的应用。信用风控模型是银行和金融领域的主要建模方法，通过分析用户数据确定银行的总预期损失（Expected Loss）。我们考察差分隐私在信用风控模型上的应用，并评估差分隐私模型与非差分隐私模型的性能。信用风控模型是银行和金融领域的主要建模方法，通过分析用户数据确定银行的总预期损失。在本文中，我们探讨差分隐私在信用风控模型上的应用，并评估非差分隐私模型与差分隐私模型的性能。
引用
@article{arxiv.2106.15343,
title = {Differential Privacy for Credit Risk Model},
author = {Tabish Maniar and Alekhya Akkinepally and Anantha Sharma},
journal= {arXiv preprint arXiv:2106.15343},
year = {2021}
}
备注
7 pages, 3 figures, 2 tables