面向信用风险建模的贝叶斯差分隐私下的联邦生存学习框架
机器学习
2026-01-19 v1 风险管理
机器学习
摘要
信用风险模型是金融机构的关键决策支持工具，但日益严格的数据保护规则（如 GDPR、CCPA）日益禁止跨境共享借款人数据，而这些模型又从跨机构学习中受益。传统的默认预测存在两个局限性：二元分类忽略默认时间，使早期默认者（高损失）与晚期默认者（低损失）等同对待，集中式训练违反了日益严格的监管约束。我们提出了一个具有贝叶斯差分隐私的联邦生存学习框架（FSL-BDP），该框架在不集中化敏感数据的情况下对时间到默认的轨迹进行建模。该框架提供贝叶斯（数据依赖）差分隐私保证，使机构能够联合学习风险动态。在三个真实信用数据集（LendingClub、SBA、Bondora）上的实验表明，联邦化根本改变了隐私机制相对有效性的排序。虽然经典差分隐私在集中式设置下表现更好，但贝叶斯差分隐私受益更大（+7.0% 对比 +1.4%），实现了接近非私有性能的水平，并在大多数参与客户端上超越经典差分隐私。这种排名反转提供了一个关键决策支持洞见：应在目标部署架构中评估隐私机制，而非仅依赖集中式基准。这些发现为在受监管且多机构环境中设计隐私保护决策支持系统的实践者提供了可操作的指导。
引用
@article{arxiv.2601.11134,
title = {FSL-BDP: Federated Survival Learning with Bayesian Differential Privacy for Credit Risk Modeling},
author = {Sultan Amed and Tanmay Sen and Sayantan Banerjee},
journal= {arXiv preprint arXiv:2601.11134},
year = {2026}
}