基于对比学习与域自适应的普惠金融科技借贷
机器学习
2023-05-11 v1 计算机与社会
摘要
金融科技借贷（如微型借贷）在促进金融包容性方面发挥了重要作用。它减少了处理时间与成本，提升了用户体验，并使传统贷款人可能不予授信的人群能够获得贷款。然而，人们对贷款筛选过程中潜在的算法决策偏见存在担忧。用于评估信用质量的机器学习算法可能受到训练数据中表征偏见的影响，因为我们仅能获取获批贷款申请的违约结果标签，而借款人的社会经济特征优于被拒者。在此情形下，在带标签数据上训练的模型在历史获批人群上表现良好，却无法很好地泛化至低社会经济背景的借款人。本文研究了一个真实世界金融科技借贷平台的贷款筛选中的表征偏见问题。我们提出了一种基于 Transformer 的序列贷款筛选模型，结合自监督对比学习与域自适应来解决这一挑战性问题。我们利用对比学习在未获批（无标签）贷款申请上训练特征提取器，并利用域自适应泛化标签预测器的性能。我们通过真实世界微型借贷场景中的大量实验证明了模型的有效性。结果表明，我们的模型显著促进了资金决策的包容性，同时将贷款筛选准确率与利润分别提升了 7.10% 与 8.95%。我们还表明，将测试数据纳入对比学习与域自适应并标注小部分测试数据可进一步提升模型性能。
引用
@article{arxiv.2305.05827,
title = {Inclusive FinTech Lending via Contrastive Learning and Domain Adaptation},
author = {Xiyang Hu and Yan Huang and Beibei Li and Tian Lu},
journal= {arXiv preprint arXiv:2305.05827},
year = {2023}
}