Apprentissage fédéré pour estimer les revenus des emprunteurs avec des données limitées

Résumé

Le document présente une approche d’apprentissage fédéré pour estimer le revenu des emprunteurs lorsque les prêteurs ne peuvent pas regrouper les dossiers bruts des demandeurs. Les institutions entraînent un modèle partagé tout en conservant les données localement. L’évaluation simule un consortium de clients répartis par État à partir d’anciens dossiers de prêts, puis compare les estimations fédérées aux modèles centralisés et locaux, sur des observations ultérieures.

Dans l’ensemble, les performances fédérées sont proches de la référence centralisée, et les clients disposant de peu de données la dépassent en moyenne dans ce contexte. L’étude constate également que l’apprentissage fédéré surpasse l’entraînement local seul dans tous les groupes de taille de client, avec les gains les plus importants pour ceux ayant le moins de données. Elle combine les estimations de revenu avec des plafonds d’endettement par rapport au revenu adaptés à l’État et au revenu dans une analyse rétrospective des approbations, et rapporte une hausse des approbations simulées avec de faibles changements des défauts observés. Les résultats dépendent de ce jeu de données, de la répartition des clients et du protocole d’évaluation ; l’analyse n’établit pas que ces changements d’approbation se retrouveraient dans les prêts réels ou d’autres populations.

Idées clés

• L’apprentissage fédéré permet aux institutions d’entraîner un estimateur de revenu partagé tout en conservant localement les dossiers des emprunteurs.
• L’évaluation compare les modèles fédérés à l’entraînement centralisé et à l’entraînement local dans chaque institution.
• Les clients disposant de peu de données bénéficient le plus de l’estimation fédérée par rapport à l’approche locale seule.
• Les estimations fédérées sont associées à des plafonds d’endettement adaptés dans une analyse rétrospective des approbations.
• Les résultats rapportés sont propres aux données historiques et au consortium simulé.

Étiquettes

# FedIncome: Federated Learning for Income Estimation in Digital Lending Under Data Sovereignty Constraints


# FedIncome: Federated Learning for Income Estimation in Digital Lending Under Data Sovereignty Constraints









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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.