Học liên kết để ước tính thu nhập người vay khi dữ liệu bị hạn chế

Tóm tắt

Tài liệu trình bày phương pháp học liên kết để ước tính thu nhập người vay khi bên cho vay không thể kết hợp hồ sơ thô của người nộp đơn. Các tổ chức huấn luyện một mô hình chung trong khi vẫn giữ dữ liệu tại chỗ. Đánh giá mô phỏng một liên minh các bên tham gia theo bang, sử dụng hồ sơ cho vay lịch sử và so sánh ước tính liên kết với mô hình gộp và mô hình chỉ huấn luyện cục bộ trên các quan sát về sau.

Nhìn chung, hiệu quả học liên kết gần với mô hình đối chứng gộp; trong thiết lập này, trung bình các bên tham gia có ít dữ liệu đạt kết quả tốt hơn mô hình đối chứng đó. Nghiên cứu cũng nhận thấy học liên kết vượt trội so với huấn luyện chỉ cục bộ ở mọi nhóm quy mô bên tham gia, với mức cải thiện lớn nhất ở nhóm có ít dữ liệu nhất. Nghiên cứu kết hợp ước tính thu nhập với các giới hạn tỷ lệ nợ trên thu nhập tùy theo bang và mức thu nhập trong phân tích phê duyệt hồi cứu, báo cáo số trường hợp được phê duyệt mô phỏng cao hơn cùng thay đổi nhỏ về số trường hợp vỡ nợ quan sát được. Kết quả phụ thuộc vào bộ dữ liệu, cách phân chia bên tham gia và thiết kế đánh giá này; phân tích không chứng minh rằng thay đổi phê duyệt sẽ được duy trì trong hoạt động cho vay thực tế hoặc ở các nhóm dân số khác.

Ý chính

• Học liên kết cho phép các tổ chức huấn luyện mô hình ước tính thu nhập chung trong khi lưu hồ sơ người vay tại chỗ.
• Đánh giá so sánh mô hình liên kết với cả phương pháp huấn luyện gộp lẫn huấn luyện riêng tại từng tổ chức.
• Các bên tham gia có ít dữ liệu nhận được lợi ích rõ nhất so với ước tính chỉ huấn luyện cục bộ.
• Các ước tính từ học liên kết được kết hợp với các giới hạn tỷ lệ nợ trên thu nhập phù hợp trong một phân tích phê duyệt hồi cứu.
• Kết quả được báo cáo chỉ áp dụng cho dữ liệu lịch sử và liên minh mô phỏng này.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.