यह शोधपत्र मल्टी-पार्टिकल नॉलेज डिस्टिलेशन (MGKD) का प्रस्ताव करता है, जो एक नवीन ढाँचा है जो वित्तीय जोखिम प्रबंधन में पूर्व-निर्धारित जोखिम मूल्यांकन और सेवाकालीन चूक पहचान को एकीकृत करता है। MGKD ज्ञान आसवन की अवधारणा का अनुसरण करता है, जो पूर्व-निर्धारित जोखिम पूर्वानुमान को बेहतर बनाने के लिए सेवाकालीन उपयोगकर्ता व्यवहार डेटा का लाभ उठाता है। सेवाकालीन डेटा पर प्रशिक्षित एक शिक्षक मॉडल, सेवापूर्व डेटा पर प्रशिक्षित एक छात्र मॉडल को सॉफ्ट लेबल प्रदान करने के लिए मार्गदर्शन करता है, जिससे सेवा सक्रियण से पहले जोखिम पूर्वानुमान में सुधार होता है। शिक्षक और छात्र मॉडल के निरूपण और पूर्वानुमानों को एक बहु-कण आसवन रणनीति का उपयोग करके संरेखित किया जाता है जिसमें स्थूल-कणीय, सूक्ष्म-कणीय और स्व-आसवन शामिल हैं। अल्पसंख्यक वर्गों के प्रति मॉडल पूर्वाग्रह को कम करने के लिए एक पुनर्भारन रणनीति अपनाई जाती है। Tencent मोबाइल पेमेंट के एक बड़े पैमाने के वास्तविक-विश्व डेटासेट पर प्रायोगिक परिणाम ऑफ़लाइन और ऑनलाइन, दोनों परिदृश्यों में प्रस्तावित दृष्टिकोण की प्रभावशीलता को प्रदर्शित करते हैं।
