联邦学习让50州小贷机构收入预测R²提升3.8个百分点
FedIncome: Federated Learning for Income Estimation in Digital Lending Under Data Sovereignty Constraints
📖 AI 总结
本文提出FedIncome，一个面向数字贷款场景的联邦学习收入估计框架，旨在解决借款人核实收入缺失、跨机构数据共享受限的问题。研究基于超100万条LendingClub贷款记录，按州划分为50个客户端，模拟异构贷款联盟。结果显示，最优联邦模型样本外R²达0.608，接近集中式池化基准的0.619；小样本客户端的样本外R²平均提升3.8个百分点，实证交叉点约为4790条训练观测。当数据无法集中时，联邦学习在各样本规模组均优于纯本地训练，对数据稀缺机构增益最大。将联邦收入估计与州及收入特定的债务收入比阈值结合后，模拟审批率上升而违约率变化有限。该研究表明，在数据本地化约束下，联邦学习能以较小的聚合性能损失实现协作建模，并显著优于本地独立训练。
🔑 关键词速览
| Federated Learning | 联邦学习，一种分布式机器学习范式，允许多个参与方在不共享原始数据的情况下协作训练共享模型。 |
| Income Estimation | 收入估计，指在缺乏验证收入信息时，利用模型预测借款人真实收入的过程。 |
| Data Sovereignty Constraints | 数据主权约束，指因法律、监管或机构政策限制，数据不能跨机构自由共享的约束条件。 |
| Out-of-time R² | 样本外决定系数，衡量模型在时间上未见过的数据上的预测拟合优度，值越接近1表示预测能力越强。 |
| Debt-to-Income Thresholds | 债务收入比阈值，用于评估借款人还款能力的指标，即债务与收入之比的上限标准。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅