随着大数据和人工智能在金融信贷领域的应用推广,越来越多的金融机构采用算法进行自动化信用评分,但随之而来的问题就是算法歧视等现象也越来越普遍.为了纠正自动化信用评分算法中可能存在的歧视问题,本文搭建了一个针对信贷市场中常见的正无标签(Positive and Unlabeled,PU)数据的公平学习框架,解决公平目标下PU数据的信用评分问题.通过对歧视类型、公平目标进行分类,针对每类场景开发了对应的公平PU学习算法,为金融机构处理PU数据提供了全面的公平决策流程,能够有效地减少信用评分中的歧视,同时避免传统监督学习算法带来的估计偏差.通过模拟实验和消费金融实例数据验证了所提出方法的可行性以及在公平性提升上的优良效果.
暂无评论