用于跨域信用风险评估的 Wasserstein 距离加权对抗网络
机器学习
2024-09-30 v1
摘要
本文深入探讨了对抗域自适应（ADA）在增强金融机构信用风险评估中的应用。它解决了两个关键挑战：历史借贷数据稀缺的冷启动问题，以及高风险交易代表性不足的数据不平衡问题。本文提出了一种改进的 ADA 框架，即 Wasserstein 距离加权对抗域自适应网络（WD-WADA），该网络利用 Wasserstein 距离有效地对齐源域和目标域。所提出的方法包含一种创新的加权策略以应对数据不平衡，同时针对类别分布和预测难度进行调整。本文证明，WD-WADA 不仅缓解了冷启动问题，还提供了对域差异更准确的度量，从而改善了跨域信用风险评估。在真实信用数据集上的大量实验验证了该模型的有效性，展示了与传统方法相比，在跨域学习、分类准确性和模型稳定性方面的卓越性能。
引用
@article{arxiv.2409.18544,
title = {Wasserstein Distance-Weighted Adversarial Network for Cross-Domain Credit Risk Assessment},
author = {Mohan Jiang and Jiating Lin and Hongju Ouyang and Jingming Pan and Siyuan Han and Bingyao Liu},
journal= {arXiv preprint arXiv:2409.18544},
year = {2024}
}