論文の概要: $\texttt{findr}$: Transparent and Fair Credit Risk Decisions through Semi-Structured Regressions
- arxiv url: http://arxiv.org/abs/2608.24582v1
- Date: Tue, 25 Aug 2026 14:08:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.021763
- Title: $\texttt{findr}$: Transparent and Fair Credit Risk Decisions through Semi-Structured Regressions
- Title（参考訳）: $\texttt{findr}$:半構造化回帰による透明かつ公正な信用リスク決定
- Abstract要約: $texttfindr$はバイナリクレジットリスクモデリングのための半構造化フレームワークである。
これはロジットを解釈可能な構造成分と神経残基に分解する。
これは、ロジット変動、決定合意、および局所的な方向整合性に対する構造化されたコンポーネントの貢献を測定する。
- 参考スコア（独自算出の注目度）: 5.58905274289646
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Credit risk models increasingly need to combine predictive accuracy with transparent explanations and auditable fairness constraints. Logistic regression remains attractive because its coefficients are easy to interpret, but it can miss nonlinear structure. Flexible models can improve prediction, but their explanations are often post-hoc and may not describe the decision rule itself. We introduce $\texttt{findr}$, short for flexible, interpretable deep regression, a semi-structured framework for binary credit risk modelling that decomposes the logit into an interpretable structured component and an orthogonal neural residual. The orthogonalisation separates coefficient-based effects from residual nonlinear variation, while an in-processing Wasserstein penalty mitigates group disparities by comparing score distributions during training. The framework also includes diagnostics that measure the structured component's contribution to logit variation, decision agreement, and local directional consistency. We evaluate $\texttt{findr}$ in a simulation study and on eight public credit datasets using score-level accuracy-fairness frontiers. The results show that $\texttt{findr}$ behaves close to logistic regression when the signal is approximately linear, while recovering much of the predictive gain of neural models when nonlinear structure is relevant. The diagnostics identify when coefficient-based explanations remain close to the full fitted model and when residual variation must also be examined. These findings support semi-structured modelling as a practical way to make performance, fairness, and interpretability trade-offs explicit in credit risk decisions.
- Abstract（参考訳）: 信用リスクモデルは、予測精度と透明な説明と監査可能な公正性の制約を組み合わせる必要がある。
対物論的回帰は、係数が容易に解釈できるため魅力的なままだが、非線形構造を見逃すことがある。
フレキシブルモデルは予測を改善することができるが、それらの説明はしばしばポストホックであり、決定ルール自体を記述しない。
柔軟で解釈可能なディープレグレッションの略である$\texttt{findr}$を導入し、二元的信用リスクモデリングのための半構造化フレームワークで、ロジットを解釈可能な構造化コンポーネントと直交神経残差に分解する。
直交化は、係数に基づく効果と残留非線形変動を分離する一方、処理中のワッサースタインのペナルティは、トレーニング中のスコア分布を比較することで、群差を緩和する。
フレームワークには、ロジットの変動、決定合意、局所的な方向整合性に対する構造化コンポーネントの貢献を測定する診断も含まれている。
シミュレーション研究およびスコアレベルの精度フェアネスフロンティアを用いた8つのパブリッククレジットデータセットにおいて,$\texttt{findr}$を評価した。
その結果、$\texttt{findr}$は、信号がほぼ線形であるときにロジスティック回帰に近づき、非線形構造が関係する場合には、ニューラルモデルの予測ゲインの多くを回復することを示した。
診断では, 係数に基づく説明が完全適合モデルに近づいたままであり, 残差も検討する必要がある。
これらの知見は、信用リスク決定において、パフォーマンス、公正性、解釈可能性のトレードオフを明示する実践的な方法として、半構造化モデリングを支持する。
関連論文リスト
- Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳（メタデータ） (2026-05-28T13:26:53Z) - Neural Bayesian Sequential Routing [0.0]
textbfNeural Bayesian Sequential Routing (NBSR)は、ニューラルネットワークを階層指向非巡回グラフ(DAG)上のアクティブエビデンス蓄積としてモデル化するフレームワークである。
NBSRは、透過的なルーティングトレース、経路依存のエビデンス属性、不確実性を認識した決定制御、リソース-レーショナル推論を提供しながら、競合的な予測性能を達成する。
全体として、NBSRは、解釈可能、モジュール化、リソース限定のエージェントAIのための数学的基盤のフレームワークを提供する。
論文 参考訳（メタデータ） (2026-05-22T22:45:56Z) - STRIKE: Additive Feature-Group-Aware Stacking Framework for Credit Default Prediction [0.38233569758620045]
STRIKEは、構造化信用リスクデータのための機能グループ対応のスタックフレームワークである。
特徴空間を意味的に一貫性のあるグループに分割し、各グループ内で独立した学習者を訓練する。
AUC-ROCの観点では、強い木ベースのベースラインと従来の積み重ねアプローチを一貫して上回っている。
論文 参考訳（メタデータ） (2026-04-19T21:21:05Z) - Semi-structured multi-state delinquency model for mortgage default [7.0177704222466994]
本研究では,半構造化離散時間多状態モデルを提案する。
このモデルは、容易に理解可能な構造付き付加予測器と、複雑な非線形性と高次相互作用をキャプチャする柔軟なニューラルネットワークコンポーネントを組み合わせる。
論文 参考訳（メタデータ） (2026-03-27T11:22:22Z) - Informative Perturbation Selection for Uncertainty-Aware Post-hoc Explanations [7.226144684379189]
信頼と倫理的な懸念は、不透明な機械学習(ML)モデルが広く展開することによるものであり、信頼性のあるモデル説明の必要性を動機付けている。
ポストホックモデルに依存しない説明法は、興味のあるサンプルの局所性においてデプロイされたブラックボックスMLモデルの振る舞いを近似する代理モデルを学ぶことでこの問題に対処する。
本稿では,情報理論の積極的学習問題として摂動選択を定式化する,ポストホックモデルに依存しない説明フレームワークであるemphExpected Active Gain for Local Explanations (textttEAGLE)を提案する。
論文 参考訳（メタデータ） (2026-03-16T06:48:56Z) - $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。
本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。
V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2026-03-11T14:57:41Z) - Mitigating Reward Hacking in RLHF via Bayesian Non-negative Reward Modeling [49.41422138354821]
非負の因子分析をBradley-Terry選好モデルに統合する原理的報酬モデリングフレームワークを提案する。
BNRMは、スパースで非負の潜在因子生成過程を通じて報酬を表す。
BNRMは報酬の過度な最適化を著しく軽減し、分布シフトによるロバスト性を改善し、強いベースラインよりも解釈可能な報酬分解をもたらすことを示す。
論文 参考訳（メタデータ） (2026-02-11T08:14:11Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - Explicit Tradeoffs between Adversarial and Natural Distributional
Robustness [48.44639585732391]
実際、モデルは信頼性を確保するために両方のタイプの堅牢さを享受する必要があります。
本研究では, 対角線と自然分布の強靭性の間には, 明らかなトレードオフが存在することを示す。
論文 参考訳（メタデータ） (2022-09-15T19:58:01Z) - Causality-aware counterfactual confounding adjustment as an alternative
to linear residualization in anticausal prediction tasks based on linear
learners [14.554818659491644]
反因果予測タスクにおける因果関係を考慮した共起調整に対する線形残差化手法の比較を行った。
線形学習者の予測性能において,因果認識アプローチは(漸近的に)残留化調整に優れる傾向があることを示す。
論文 参考訳（メタデータ） (2020-11-09T17:59:57Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳（メタデータ） (2020-08-02T11:19:36Z)
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。