論文の概要: FedIncome: Federated Learning for Income Estimation in Digital Lending Under Data Sovereignty Constraints

• arxiv url: http://arxiv.org/abs/2609.27654v1
• Date: Wed, 23 Sep 2026 10:16:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.975667
• Title: FedIncome: Federated Learning for Income Estimation in Digital Lending Under Data Sovereignty Constraints
• Title（参考訳）: フェデインカム:データ良性制約下におけるデジタルレンディングにおけるインカム推定のためのフェデレーションラーニング
• Abstract要約: FedIncomeは収入推定のための学習フレームワークであり、生の借り手記録をプールすることなく、組織が共有モデルのトレーニングを可能にする。 我々は、50ドルの州レベルのクライアントに分割された100万人以上のLendingClubローンを使って、異種融資コンソーシアムをシミュレートする。 プーリングが実現不可能で、関連する代替手段がローカルのみのトレーニングである場合、フェデレーションはすべてのサンプルサイズのグループ間でのアウト・オブ・タイムのパフォーマンスを改善する。
• 参考スコア（独自算出の注目度）: 0.0611737116137921
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Verified income is often unavailable in digital loan applications, forcing lenders to rely on reported income and potentially leading to over-lending, overly conservative offers, or rejection of creditworthy applicants. Cross-institutional data-sharing constraints make this problem especially difficult for smaller lenders with limited training data. We introduce FedIncome, a federated learning framework for income estimation that enables institutions to train a shared model without pooling raw borrower records. Using more than one million LendingClub loans partitioned into $50$ state-level clients, we simulate a heterogeneous lending consortium. The best federated model achieves out-of-time $R^2=0.608$, compared with $0.619$ for a pooled centralised benchmark. Small-sample clients obtain an average out-of-time $R^2$ improvement of $3.8$ percentage points relative to the pooled centralised benchmark, while the fitted client-level relationship places the empirical crossover at approximately $4,790$ training observations in this setting. When pooling is infeasible and the relevant alternative is local-only training, federation improves out-of-time performance across all sample-size groups, with the largest gains for data-scarce clients. We also combine federated income estimates with state- and income-specific debt-to-income thresholds. In a retrospective decision analysis, replacing reported income with the federated estimate increases simulated approval rates with only modest changes in observed default rates. FedIncome supports collaborative learning under data-locality constraints with little aggregate loss relative to pooled training and larger gains relative to local-only estimation.
• Abstract（参考訳）: 検証済の収入は、しばしばデジタルローンの申請では利用できないため、銀行は報告された収入に頼らざるを得ず、過大な貸出、過度に保守的なオファー、信用に値する応募者の拒絶につながる可能性がある。 機関間データ共有の制約は、この問題を訓練データに制限のある小規模の銀行にとって特に困難にしている。 我々は,FedIncomeを紹介した。FedIncomeは,金融機関が生の借り手記録をプールすることなく,共有モデルのトレーニングを行うことのできる,所得推定のためのフェデレーション学習フレームワークである。 100万以上のLendingClubローンを50ドルの州レベルのクライアントに分割し、異種融資コンソーシアムをシミュレートします。 最良のフェデレーションモデルは、プール化された集中型ベンチマークで0.619ドルに対して、アウトオブタイムで$R^2=0.608$を達成する。 小型のクライアントは、プール化された集中型ベンチマークと比較して平均3.8ドルの割合でR^2$の改善を得られるが、適合したクライアントレベルの関係は、この設定で経験的なクロスオーバーを約4,790ドルに設定する。 プーリングが実現不可能で、関連する代替手段がローカルのみのトレーニングである場合、フェデレーションはすべてのサンプルサイズのグループ間でのアウト・オブ・タイムのパフォーマンスを改善し、データスカースクライアントにとって最大の利益をもたらす。 また、連邦所得推定値と州別および所得別債務対所得のしきい値も組み合わさっている。 振り返り決定分析では、報告された収入をフェデレーションされた見積もりに置き換えると、観察されたデフォルトレートのわずかに変化しただけで、シミュレートされた承認率が増加する。 FedIncomeは、データ局所性制約の下での協調学習をサポートし、プールドトレーニングに対するアグリゲーション損失がほとんどなく、ローカルのみの見積もりに対する大きなゲインがある。

関連論文リスト

• FedPref: Federated Preference Learning for Structured Radiology Report Extraction [69.11739400975445]
  ラジオロジーレポートでは、自由テキストで発見と位置を記述しているが、下流の検索と分析では、これらの関係を固定スキーマで記述する必要がある。 我々はFedPrefを紹介します: 凍結した公開言語モデルは代替の抽出を提案し、ローカルアノテーションはそれらをランク付けし、サイトはプールされたコンパクトQwen3-8Bアダプタを協調訓練します。 不平等なデータ量と病気の有病率を持つ6つのシミュレートされた病院の開発データに基づき、FedPrefはクライアント平均F1を2.49ポイント、最悪のサイトF1を9.10ポイント改善する。
  論文  参考訳（メタデータ） (2026-08-17T12:29:42Z)
• Beyond Aggregate Calibration: Decomposing Income-Conditional Recall Disparities in Automated Credit Default Prediction [0.0]
  高所得既定者は低所得既定者に対してラベルノイズとして不均等に分類される。 16.86パーセントのポイントギャップは、最終的にデフォルトとなった高所得者と低所得者の間で真の正のレート(リコール)である。
  論文  参考訳（メタデータ） (2026-08-08T15:57:15Z)
• Statistical Limits and Efficient Algorithms for Differentially Private Federated Learning [3.8169847142355695]
  フェデレートラーニング(Federated Learning)は、MLとAIモデルを多数のユーザデバイスとデータベースで協調的にトレーニングするフレームワークである。 評価精度,プライバシ制約,通信コストのトレードオフについて検討した。
  論文  参考訳（メタデータ） (2026-05-18T17:01:34Z)
• Owen Sampling Accelerates Contribution Estimation in Federated Learning [24.329068747370314]
  フェデレートラーニング(FL)は、複数のクライアントから情報を集約して、生データを公開せずに共有グローバルモデルをトレーニングする。 We propose FedOwen, a efficient framework that using Owen sample to approximate Shapley values under the total evaluation budget。 FedOwenは、非IIDベンチマークの最先端ベースラインと比較して、同じ数の通信ラウンドで最終精度を最大23%向上させる。
  論文  参考訳（メタデータ） (2025-08-28T23:22:37Z)
• FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
  フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。 これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。 本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:55:29Z)
• FedSkip: Combatting Statistical Heterogeneity with Federated Skip Aggregation [95.85026305874824]
  我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。 我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2022-12-14T13:57:01Z)
• Anchor Sampling for Federated Learning with Partial Client Participation [17.8094483221845]
  本稿では,フェデラルクライアント参加のためのフェデラルラーニング(Federated Learning,FedAMD)を提案する。 中心となるアイデアはアンカーサンプリングであり、部分的な参加者をアンカーグループとマイナーグループに分離する。 2つのグループの結果を統合することで、FedAMDはトレーニングプロセスを加速し、モデルのパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2022-06-13T03:08:39Z)
• FedDC: Federated Learning with Non-IID Data via Local Drift Decoupling and Correction [48.85303253333453]
  フェデレートラーニング(FL)は、複数のクライアントがプライベートデータを共有せずに、高性能なグローバルモデルを集合的にトレーニングすることを可能にする。 局所的ドリフトデカップリングと補正(FedDC)を用いた新しいフェデレーション学習アルゴリズムを提案する。 私たちのFedDCでは、ローカルモデルパラメータとグローバルモデルパラメータのギャップを追跡するために、各クライアントが補助的なローカルドリフト変数を使用するような、ローカルトレーニングフェーズにおける軽量な修正のみを導入しています。 実験結果と解析結果から,FedDCは様々な画像分類タスクにおいて,収差の迅速化と性能の向上を図っている。
  論文  参考訳（メタデータ） (2022-03-22T14:06:26Z)
• Federated Residual Learning [53.77128418049985]
  クライアントはローカルモデルを個別に訓練し、サーバ側で共有するモデルと共同で予測を行う。 この新しいフェデレートされた学習フレームワークを使用することで、統合トレーニングが提供するパフォーマンス上のメリットをすべて享受しながら、中央共有モデルの複雑さを最小限にすることができる。
  論文  参考訳（メタデータ） (2020-03-28T19:55:24Z)
• Distributed Non-Convex Optimization with Sublinear Speedup under Intermittent Client Availability [46.85205907718874]
  フェデレーション学習は新しい機械学習フレームワークで、多くのクライアントがトレーニングデータを共有することなく、協力的にモデルをトレーニングする。 本研究では,間欠的なモバイル環境におけるフェデレーション学習の実践と課題について考察する。 我々はFedLaAvg(略してFedLaAvg)と呼ばれる単純な分散非線形最適化アルゴリズムを提案する。 我々の理論的解析は、FedLaAvgが$(E1/2/(NT1/2)$の収束率に達し、クライアントの総数に対してサブ線形速度を達成することを示している。
  論文  参考訳（メタデータ） (2020-02-18T06:32:18Z)

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。