Best Practices for Responsible Machine Learning in Credit Scoring

要約

信用スコアリングにおける機械学習の普及により、リスク評価と意思決定に大きな進歩がもたらされました。
しかし、これらの自動化システムにおける潜在的な偏見、差別、透明性の欠如についての懸念も生じています。
このチュートリアル ペーパーでは、公平性、推論の棄却、説明可能性に焦点を当て、信用スコアリングにおける責任ある機械学習モデルを開発するためのベスト プラクティスをガイドするために、非系統的な文献レビューを実施しました。
偏見を軽減し、さまざまなグループ間で公平な結果を確保するための定義、指標、手法について説明します。
さらに、拒否されたローン申請からの情報を組み込んだ拒否推論方法を探索することで、データの代表性が限られているという問題に対処します。
最後に、信用モデルにおける透明性と説明可能性の重要性を強調し、意思決定プロセスへの洞察を提供し、個人が自分の信用力を理解し、潜在的に向上できるようにする手法について説明します。
これらのベスト プラクティスを採用することで、金融機関は倫理的で責任ある融資慣行を守りながら機械学習の力を活用できます。

要約(オリジナル)

The widespread use of machine learning in credit scoring has brought significant advancements in risk assessment and decision-making. However, it has also raised concerns about potential biases, discrimination, and lack of transparency in these automated systems. This tutorial paper performed a non-systematic literature review to guide best practices for developing responsible machine learning models in credit scoring, focusing on fairness, reject inference, and explainability. We discuss definitions, metrics, and techniques for mitigating biases and ensuring equitable outcomes across different groups. Additionally, we address the issue of limited data representativeness by exploring reject inference methods that incorporate information from rejected loan applications. Finally, we emphasize the importance of transparency and explainability in credit models, discussing techniques that provide insights into the decision-making process and enable individuals to understand and potentially improve their creditworthiness. By adopting these best practices, financial institutions can harness the power of machine learning while upholding ethical and responsible lending practices.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google