Fugu-MT 論文翻訳(概要): Inclusive FinTech Lending via Contrastive Learning and Domain Adaptation

論文の概要: Inclusive FinTech Lending via Contrastive Learning and Domain Adaptation

arxiv url: http://arxiv.org/abs/2305.05827v1
Date: Wed, 10 May 2023 01:11:35 GMT
ステータス: 処理完了
システム内更新日: 2023-05-11 14:57:14.288261
Title: Inclusive FinTech Lending via Contrastive Learning and Domain Adaptation
Title（参考訳）: コントラスト学習とドメイン適応による包括的フィンテック融資
Authors: Xiyang Hu, Yan Huang, Beibei Li, Tian Lu
Abstract要約: フィンテックの貸与は、財政的包摂の促進に重要な役割を果たしてきた。ローン審査中にアルゴリズムによる意思決定にバイアスがかかる可能性があるという懸念がある。自己教師付きコントラスト学習とドメイン適応を用いたトランスフォーマーに基づくシーケンシャルローンスクリーニングモデルを提案する。
参考スコア（独自算出の注目度）: 9.75150920742607
License: http://creativecommons.org/licenses/by/4.0/
Abstract: FinTech lending (e.g., micro-lending) has played a significant role in facilitating financial inclusion. It has reduced processing times and costs, enhanced the user experience, and made it possible for people to obtain loans who may not have qualified for credit from traditional lenders. However, there are concerns about the potentially biased algorithmic decision-making during loan screening. Machine learning algorithms used to evaluate credit quality can be influenced by representation bias in the training data, as we only have access to the default outcome labels of approved loan applications, for which the borrowers' socioeconomic characteristics are better than those of rejected ones. In this case, the model trained on the labeled data performs well on the historically approved population, but does not generalize well to borrowers of low socioeconomic background. In this paper, we investigate the problem of representation bias in loan screening for a real-world FinTech lending platform. We propose a new Transformer-based sequential loan screening model with self-supervised contrastive learning and domain adaptation to tackle this challenging issue. We use contrastive learning to train our feature extractor on unapproved (unlabeled) loan applications and use domain adaptation to generalize the performance of our label predictor. We demonstrate the effectiveness of our model through extensive experimentation in the real-world micro-lending setting. Our results show that our model significantly promotes the inclusiveness of funding decisions, while also improving loan screening accuracy and profit by 7.10% and 8.95%, respectively. We also show that incorporating the test data into contrastive learning and domain adaptation and labeling a small ratio of test data can further boost model performance.
Abstract（参考訳）: フィンテック融資(マイクロレンディングなど)は、金融の包摂を促進する上で重要な役割を担ってきた。処理時間とコストが削減され、ユーザエクスペリエンスが向上し、従来の貸し手からクレジットを受け取れない可能性のあるローンが手に入るようになった。しかし、ローンスクリーニング中のアルゴリズム的意思決定の偏りが懸念されている。クレジット品質を評価するために使用される機械学習アルゴリズムは、認証されたローン申請のデフォルト結果ラベルのみにアクセスできるため、トレーニングデータの表現バイアスに影響される可能性がある。この場合、ラベル付きデータで訓練されたモデルは、歴史的に認められた人口でうまく機能するが、低い社会経済的背景の借主にはうまく一般化しない。本稿では,現実のFinTech貸付プラットフォームにおける貸付審査における表現バイアスの問題について検討する。そこで本研究では,自己教師付きコントラスト学習とドメイン適応を用いた新しい逐次ローンスクリーニングモデルを提案する。コントラスト学習を用いて、未承認(ラベルなし)のローンアプリケーションで特徴抽出器を訓練し、ドメイン適応を用いてラベル予測器の性能を一般化する。実世界のマイクロレンディング環境での広範な実験を通して,本モデルの有効性を実証する。以上の結果から,本モデルは融資決定の包括性を著しく促進するとともに,ローンスクリーニングの精度と利益をそれぞれ7.10%,8.95%向上させた。また,テストデータをコントラスト学習やドメイン適応に組み込んで,少数のテストデータにラベル付けすることで,さらなるモデル性能の向上が期待できることを示した。

関連論文リスト

Bank Loan Prediction Using Machine Learning Techniques [0.0]
我々は機械学習手法を用いて、148,670のインスタンスと37の属性のデータセットに取り組んできた。最高の性能のアルゴリズムはAdaBoostingであり、99.99%の精度を達成した。
論文参考訳（メタデータ） (2024-10-11T15:01:47Z)
Ensuring Equitable Financial Decisions: Leveraging Counterfactual Fairness and Deep Learning for Bias [0.0]
本研究では,データ拡張に伴う対実的公正性に着目した高度なバイアス緩和手法について検討する。この研究は、これらの統合アプローチが金融業界、特にローン承認手続きにおけるジェンダーバイアスを緩和する方法について考察している。
論文参考訳（メタデータ） (2024-08-27T14:28:06Z)
Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
論文参考訳（メタデータ） (2024-06-05T20:19:09Z)
Fast Model Debias with Machine Unlearning [54.32026474971696]
ディープニューラルネットワークは多くの現実世界のシナリオでバイアスのある振る舞いをする。既存のデバイアス法は、バイアスラベルやモデル再トレーニングのコストが高い。バイアスを特定し,評価し,除去するための効率的なアプローチを提供する高速モデル脱バイアスフレームワーク(FMD)を提案する。
論文参考訳（メタデータ） (2023-10-19T08:10:57Z)
Machine Learning Models Evaluation and Feature Importance Analysis on NPL Dataset [0.0]
エチオピアのプライベートバンクが提供するデータセット上で、異なる機械学習モデルがどのように機能するかを評価する。 XGBoostは、KMeans SMOTEオーバーサンプリングデータ上で最高F1スコアを達成する。
論文参考訳（メタデータ） (2022-08-28T17:09:44Z)
Explanations of Machine Learning predictions: a mandatory step for its application to Operational Processes [61.20223338508952]
信用リスクモデリングは重要な役割を果たす。近年,機械学習や深層学習の手法が採用されている。この分野における説明可能性問題に LIME 手法を適用することを提案する。
論文参考訳（メタデータ） (2020-12-30T10:27:59Z)
Explainable AI for Interpretable Credit Scoring [0.8379286663107844]
クレジットスコアリングは、金融の専門家がローン申請を受諾するかどうかについてより良い判断を下すのに役立つ。アルゴリズムによる決定が一貫性のあるものであることを保証するため、規則はモデル解釈可能性の必要性を追加している。正確かつ解釈可能な信用スコアモデルを提案する。
論文参考訳（メタデータ） (2020-12-03T18:44:03Z)
A Novel Classification Approach for Credit Scoring based on Gaussian Mixture Models [0.0]
本稿では,ガウス混合モデルに基づく新たなクレジットスコアリング手法を提案する。我々のアルゴリズムは、消費者を正または負とラベル付けされたグループに分類する。我々は,オーストラリア,日本,ドイツの実世界のデータベースにモデルを適用した。
論文参考訳（メタデータ） (2020-10-26T07:34:27Z)
Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文参考訳（メタデータ） (2020-09-30T05:29:01Z)
Fairness in Semi-supervised Learning: Unlabeled Data Help to Reduce Discrimination [53.3082498402884]
機械学習の台頭における投機は、機械学習モデルによる決定が公正かどうかである。本稿では,未ラベルデータのラベルを予測するための擬似ラベリングを含む,前処理フェーズにおける公平な半教師付き学習の枠組みを提案する。偏見、分散、ノイズの理論的分解分析は、半教師付き学習における差別の異なる源とそれらが公平性に与える影響を浮き彫りにする。
論文参考訳（メタデータ） (2020-09-25T05:48:56Z)
Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
論文参考訳（メタデータ） (2020-05-09T01:32:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。