通过信任洞察公平性：面向金融深度学习的多尺度信任量化

近年来深度学习的成功导致其被采用以应对金融服务任务的热度和普遍性显著增加。在采用深度学习处理金融服务时经常出现的障碍性特定问题是：所开发的金融深度学习模型在预测中是否公平，尤其是考虑到金融服务行业严格的治理与监管合规要求。金融深度学习中尚未探索的公平性一个基本方面是信任概念，其变化可能指向一种以自我为中心的公平观，从而提供对模型公平性的洞察。在本研究中，我们探索多尺度信任量化策略的可行性与效用，以洞察金融深度学习模型的公平性，尤其在不同尺度下的不同场景中。更具体地，我们对用于信用卡违约预测的深层神经网络进行多尺度信任量化，以研究：1) 模型的总体可信度；2) 所有可能预测-真值关系下的信任水平；3) 跨可能预测谱的信任水平；4) 跨不同人口群体（如年龄、性别和教育）的信任水平；5) 个体预测场景的总体信任分布。该概念验证研究的洞察表明，此类多尺度信任量化策略可帮助金融服务中的数据科学家和监管者，作为金融深度学习解决方案验证与认证的一部分，以洞察这些解决方案的公平性与信任。