信用评分中用于拒绝推断的浅层自学习

信用评分模型支持金融服务行业的贷款审批决策。放贷机构基于先前已发放信贷申请的数据训练这些模型，其中借款人的还款行为已被观测。该方法产生样本偏差。评分模型（即分类器）仅在获准案例上训练。将所得模型应用于筛选全体借款人的信贷申请会降低模型性能。拒绝推断包含通过为被拒案例分配标签来克服抽样偏差的技术。本文做出两点贡献。首先，我们提出一种用于拒绝推断的自学习框架。该框架通过为迭代标注与模型训练考虑不同的训练机制，以适应现实世界信用评分需求。其次，我们引入一种新度量来评估拒绝推断策略的有效性。我们的度量利用领域知识，避免在策略评估期间对被拒案例进行人为标注。我们证明该方法可对拒绝推断策略提供稳健且可操作的评估。在真实世界信用评分数据集上的实验证实了调整后的自学习框架相对于常规自学习及以往拒绝推断策略的优越性。我们还发现有力证据支持所提评估度量能更可靠地评估拒绝推断策略，从而提升最终信用评分模型的性能。