Федеративное обучение для оценки дохода заёмщиков при ограниченном доступе к данным

Сводка

В документе представлен подход федеративного обучения для оценки дохода заёмщиков в случаях, когда кредиторы не могут объединять исходные записи заявителей. Учреждения обучают общую модель, сохраняя данные локально. В ходе оценки моделируется консорциум региональных клиентов на исторических кредитных записях; федеративные оценки сравниваются с моделями на объединённых данных и только на локальных данных по более поздним наблюдениям.

В целом федеративная модель показывает результаты, близкие к бенчмарку на объединённых данных, а в этой постановке клиенты с небольшими объёмами данных в среднем превосходят этот бенчмарк. Исследование также показывает, что федеративное обучение превосходит локальное для групп клиентов разного размера, причём наибольший выигрыш получают те, у кого меньше всего данных. Оценки дохода объединяются с ограничениями отношения долга к доходу, учитывающими регион и доход, в ретроспективном анализе решений об одобрении; сообщается о большем числе симулированных одобрений при небольших изменениях наблюдаемых дефолтов. Результаты зависят от набора данных, разделения клиентов и схемы оценки; анализ не доказывает, что изменения в одобрениях сохранятся при реальном кредитовании или для других групп населения.

Ключевые идеи

• Федеративное обучение позволяет учреждениям совместно обучать модель оценки дохода, сохраняя записи заёмщиков локально.
• В оценке федеративные модели сравниваются как с обучением на объединённых данных, так и с локальным обучением в учреждениях.
• Наибольшую пользу по сравнению с локальной оценкой получают клиенты с небольшим объёмом данных.
• Федеративные оценки сочетаются с индивидуальными ограничениями отношения долга к доходу в ретроспективном анализе одобрений.
• Представленные результаты относятся к историческим данным и симулированному консорциуму.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.