每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

一种用于多尺度时间表征学习的可学习提示的信用预测生成方法

Created by
  • Haebom

作者

雷宇、王子轩、冯一清、张俊儒、李亚辉、刘楚、王童瑶

FinLangNet：一种新颖的信用评分框架

大纲

本文介绍了 FinLangNet，这是一个新颖的框架，它将信用评分重构为一个多尺度序列学习问题，以克服现有依赖于手动调整统计学习方法的工业信用评级模型的局限性。FinLangNet 通过双模块架构处理异构金融数据，该架构结合了表格特征提取和时间序列建模，从而生成用户未来财务行为在多个时间范围内的概率分布。序列模块中的一项关键创新是双提示机制，该机制引入了可学习的提示，这些提示既可以在特征级粒度上操作以捕捉细粒度的时间模式，也可以在用户级粒度上操作以汇总整体风险状况。在广泛的评估中，与现有的 XGBoost 系统相比，FinLangNet 的 KS 指标提高了 7.2%，不良贷款发生率降低了 9.9%。此外，它在公开的 UEA 时间序列分类基准上取得了最佳性能，证明了其作为通用序列学习框架的有效性。该系统已成功部署于滴滴国际金融平台，服务拉美各大金融信贷公司。

Takeaways, Limitations

•
Takeaways：
◦
优于现有的 XGBoost 系统（KS 指数提高 7.2%，不良贷款发生率降低 9.9%）
◦
证明其作为通用序列学习框架的有效性（UEA 时间序列分类基准）
◦
成功部署于真实工业环境（滴滴国际金融平台）
◦
双模块架构可有效处理异构金融数据并建模不断变化的信用度。
◦
双重提示机制，可同时捕捉精细的时间模式和整体风险概况。
•
Limitations：
◦
论文中没有指定Limitations（详情请参阅论文）
👍
Made with Slashpage