概念漂移下公平且可解释的信用评分：面向演化人群的自适应解释框架

不断演变的借款人行为、转变的经济条件以及不断变化的监管环境不断重塑现代信用评分系统所依据的数据分布。常规可解释性技术，如 SHAP，假设数据是静态的且背景分布固定，使得其解释在概念漂移发生时不稳定且可能不公平。本研究通过开发自适应解释框架来应对这一挑战，在动态演化的信用模型中重新校准可解释性和公平性。我们使用多年信用数据集，将预测建模集成到三种自适应 SHAP 变体中：(A) per-slice 解释重新加权以调整特征分布偏移，(B) 基于漂移感知的 SHAP 重基准化使用滑动窗口背景样本，(C) 使用增量 Ridge 回归的在线替代模型校准。每种方法都使用预测性能（AUC、F1）、方向性和排序稳定性（余弦、Kendall tau）以及公平性（人口公平性和校准）等指标对比于静态 SHAP 解释。结果表明，自适应方法，特别是重基准化和替代模型-based 的解释，在不降低预测准确性的同时显著改善了时间稳定性并降低了跨人口统计群体的差异化影响。鲁棒性测试，包括反事实扰动、背景敏感性分析和代理变量检测，确认了自适应解释在现实漂移条件下的韧性。这些发现确立了自适应可解释性作为维持数据驱动信用系统透明度、问责制和伦理可靠性的实用机制，并更广泛地应用于决策模型随人口变化而演化的任何领域。