RMT-Net：用于建模金融信用评分中非随机缺失数据的拒绝感知多任务网络
机器学习
2022-06-02 v1 统计金融
摘要
在金融信用评分中，贷款申请可能被批准或拒绝。我们只能观察到获批样本违约/非违约标签，而对被拒样本无观测，这导致非随机缺失的选择偏差。在此类有偏数据上训练的机器学习模型不可避免地不可靠。本工作中，根据真实世界数据研究与理论分析，我们发现违约/非违约分类任务与拒绝/批准分类任务高度相关。因此，违约/非违约的学习可从拒绝/批准中受益。相应地，我们首次提出用多任务学习（MTL）来建模有偏信用评分数据。具体地，我们提出一种新颖的拒绝感知多任务网络（RMT-Net），它通过基于拒绝概率的门控网络学习控制从拒绝/批准任务到违约/非违约任务的信息共享的任务权重。RMT-Net利用两任务间的关系：拒绝概率越大，违约/非违约任务越需要从拒绝/批准任务中学习。此外，我们将RMT-Net扩展为RMT-Net++以建模具有多种拒绝/批准策略的场景。我们在多个数据集上进行了充分实验，有力验证了RMT-Net在获批与被拒样本上的有效性。此外，RMT-Net++进一步提升了RMT-Net的性能。
引用
@article{arxiv.2206.00568,
title = {RMT-Net: Reject-aware Multi-Task Network for Modeling Missing-not-at-random Data in Financial Credit Scoring},
author = {Qiang Liu and Yingtao Luo and Shu Wu and Zhen Zhang and Xiangnan Yue and Hong Jin and Liang Wang},
journal= {arXiv preprint arXiv:2206.00568},
year = {2022}
}
备注
Accepted by IEEE TKDE