Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Más allá del horizonte previo al servicio: inculcar un comportamiento en el servicio para mejorar la previsión del riesgo financiero
Created by
Haebom
Autor
Senhao Liu, Zhiyu Guo, Zhiyuan Ji, Yueguo Chen, Yateng Tang, Yunhai Wang, Xuehao Zheng, Xiang Ao
Describir
Este artículo propone la Destilación de Conocimiento de Múltiples Partículas (MGKD), un novedoso marco que integra la evaluación preventiva de riesgos y la detección de incumplimientos durante el servicio en la gestión de riesgos financieros. MGKD sigue el concepto de destilación de conocimiento, que aprovecha los datos de comportamiento de los usuarios durante el servicio para mejorar la predicción preventiva de riesgos. Un modelo docente entrenado con datos durante el servicio guía a un modelo estudiantil entrenado con datos previos al servicio para proporcionar etiquetas suaves, mejorando así la predicción de riesgos antes de la activación del servicio. Las representaciones y predicciones de los modelos docente y estudiantil se alinean mediante una estrategia de destilación de múltiples partículas que incluye destilación de grano grueso, de grano fino y autodestilación. Se adopta una estrategia de reponderación para mitigar el sesgo del modelo hacia las clases minoritarias. Los resultados experimentales en un conjunto de datos reales a gran escala de Tencent Mobile Payment demuestran la eficacia del enfoque propuesto tanto en escenarios en línea como fuera de línea.
Takeaways, Limitations
•
Takeaways:
◦
Se presenta un nuevo marco (MGKD) para mejorar la precisión de la gestión del riesgo financiero mediante la integración de pasos de evaluación previa al riesgo y detección de incumplimientos en servicio.
◦
Transferir eficazmente el conocimiento del modelo del docente al modelo del estudiante a través de una estrategia de destilación de conocimiento de múltiples partículas para mejorar el desempeño de la predicción previa al riesgo.
◦
Mejorar el rendimiento del modelo a través de una estrategia de reponderación que mitigue el sesgo del modelo hacia las clases minoritarias (clientes morosos).
◦
Validamos la eficacia de MGKD mediante experimentos utilizando conjuntos de datos del mundo real a gran escala.
•
Limitations:
◦
Se necesita más investigación para evaluar el desempeño de generalización del marco MGKD propuesto (validando su aplicabilidad a varios productos y conjuntos de datos financieros).
◦
Se necesita más investigación para superar la dependencia de un conjunto de datos específico (datos de pago móvil de Tencent).
◦
Se necesitan más investigaciones para determinar los parámetros óptimos de la estrategia de reponderación.
◦
Se necesitan más investigaciones sobre el poder explicativo y la interpretabilidad del modelo.
