論文の概要: Privacy-Preserving Credit Risk Prediction with Alternative Data

• arxiv url: http://arxiv.org/abs/2606.10333v1
• Date: Tue, 09 Jun 2026 02:27:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.271498
• Title: Privacy-Preserving Credit Risk Prediction with Alternative Data
• Title（参考訳）: 代替データを用いたプライバシ保護型信用リスク予測
• Authors: Hongzhe Zhang, Jiarong Xu, Jing He, Xiao Fang,
• Abstract要約: 信用リスク予測は消費者信用業界にとって重要な問題である。 伝統的に、金融機関は借り手の人口統計、金融、信用履歴データを用いて信用リスク予測モデルを構築している。 代替データは、金融機関から独立した外部機関によって保持される。
• 参考スコア（独自算出の注目度）: 13.937219449438182
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Credit risk prediction is a critical problem in the consumer credit industry. Traditionally, financial institutions construct credit risk prediction models using borrowers' demographic, financial, and credit history data, collectively referred to as traditional data. Recent studies have demonstrated that alternative data, such as borrowers' mobile phone communication data, enable lenders to acquire fuller and more accurate profiles of borrowers' creditworthiness, thereby improving credit risk prediction performance. Nevertheless, alternative data are held by external entities independent of financial institutions. Directly sharing alternative data with financial institutions infringe on consumer privacy, yet existing credit risk prediction studies largely overlook this issue. To address this gap, we define a new problem, namely privacy-preserving credit risk prediction with alternative data, which simultaneously considers three practical constraints: the privacy-preserving constraint that protects consumer privacy, the model-confidentiality constraint that learns and stores the model centrally at the financial institution, and the lossless constraint that maintains the performance of the learned model. To solve this problem, we develop PrivacyCredit, a novel privacy-preserving machine learning method. We then theoretically demonstrate the privacy-preserving, model-confidential, and lossless properties of PrivacyCredit. Through extensive experiments using a real-world credit dataset linked with alternative data, we demonstrate the predictive value of securely incorporating alternative data into credit risk prediction and show that PrivacyCredit achieves the same predictive performance as the model learned from the insecure plaintext combination of traditional and alternative data. We further evaluate its model-confidentiality property and computational efficiency.
• Abstract（参考訳）: 信用リスク予測は消費者信用業界にとって重要な問題である。 伝統的に、金融機関は借主の人口統計、金融、信用履歴データを用いて信用リスク予測モデルを構築しており、これらを総称して伝統的なデータと呼ぶ。 近年の研究では、借り手の携帯電話通信データなどの代替データにより、借り手の信用度をより正確に把握し、信用リスク予測性能を向上させることが示されている。 それにもかかわらず、代替データは金融機関とは独立して外部機関によって保持される。 金融機関と直接データを共有することは消費者のプライバシーを侵害するが、既存の信用リスク予測研究はこの問題をほとんど見落としている。 このギャップに対処するために、我々は、消費者プライバシを保護するプライバシ保護制約、金融機関でモデルを集中的に学習、保存するモデル信頼度制約、学習モデルの性能を維持する損失のない制約の3つの実践的制約を同時に考慮する、代替データによるプライバシー保護信用リスク予測という新しい問題を定義した。 この問題を解決するために,プライバシ保存機械学習手法であるPrivacyCreditを開発した。 次に、理論的には、プライバシCreditのプライバシ保存、モデル信頼、損失のないプロパティを実証する。 代替データとリンクした実世界の信用データセットを用いた広範な実験を通じて、代替データを信用リスク予測に安全に組み込むことの予測価値を実証し、従来のデータと代替データの安全でない平文の組み合わせから学習したモデルと同じ予測性能をPrivacyCreditが達成することを示す。 さらに,モデル密度特性と計算効率を評価した。

関連論文リスト

• DPxFin: Adaptive Differential Privacy for Anti-Money Laundering Detection via Reputation-Weighted Federated Learning [11.014516357629587]
  DPxFinは、評判誘導型適応微分プライバシーを統合する新しいフレームワークである。 提案手法は, 局所学習モデルとグローバルモデルとの整合性を評価することによって, クライアントの評判を計算する。 マルチ層パーセプトロン(MLP)を用いたIDおよび非IID設定下でのアンチモニー洗浄データセット上でのDPxFinの検証を行った。
  論文  参考訳（メタデータ） (2026-03-14T08:34:39Z)
• Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
  合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。 バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。 多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-21T09:03:18Z)
• Assessment of creditworthiness models privacy-preserving training with synthetic data [4.014524824655106]
  実世界のデータに適用した場合に合成データを用いて訓練したモデルの性能を評価する。 合成データでトレーニングされた信用度評価モデルでは、実際のデータでトレーニングされたモデルと比較して、AUCの3%、KSの6%が減少している。
  論文  参考訳（メタデータ） (2022-12-31T19:13:14Z)
• Differential Privacy for Credit Risk Model [0.0]
  私たちは、プライバシー問題に対処するための解決策として、差分プライバシーを評価します。 本稿では、信用リスクモデリング分野に適用したLeapYearのそのようなツールについて評価する。
  論文  参考訳（メタデータ） (2021-06-24T09:58:49Z)
• PCAL: A Privacy-preserving Intelligent Credit Risk Modeling Framework Based on Adversarial Learning [111.19576084222345]
  本稿では,PCAL(Adversarial Learning)に基づくプライバシ保護型信用リスクモデリングの枠組みを提案する。 PCALは、ターゲット予測タスクのパフォーマンスの重要なユーティリティ情報を維持しながら、元のデータセット内のプライベート情報を隠蔽することを目的としている。 結果は,PCALがユーザデータから効果的なプライバシフリー表現を学習し,信用リスク分析のためのプライバシ保存機械学習の基盤となることを示唆している。
  論文  参考訳（メタデータ） (2020-10-06T07:04:59Z)
• 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。