English(EN) Data Presentation Over Architecture: Resampling Strategies for Credit Risk Prediction with Tabular Foundation Models

数据采样提升表格基础模型信用风险预测性能

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-18 16:43

一篇新的研究论文探讨了数据呈现策略如何显著影响表格基础模型（TFMs）在信用风险预测中的性能。研究发现，诸如平衡采样和混合采样等重采样技术将AUC-ROC分数提高了3-4个百分点，其性能优于TFMs中的架构选择。研究表明，在不平衡的信用风险场景中，优化上下文构建比选择特定的TFM架构更为关键。 AI

影响为基础模型优化数据呈现可以提高在信用风险预测等关键金融应用中的性能。

排序理由该集群包含一篇详细介绍模型性能新研究发现的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Vinay Kumar Sankarapu · 2026-05-18 16:43

Data Presentation Over Architecture: Resampling Strategies for Credit Risk Prediction with Tabular Foundation Models

Credit default prediction is a tabular learning problem with severe class imbalance, heterogeneous features, and tight latency budgets. Tabular Foundation Models (TFMs) approach this problem through in-context learning, which makes their predictions sensitive to how the context w…

报道来源 [1]

Data Presentation Over Architecture: Resampling Strategies for Credit Risk Prediction with Tabular Foundation Models

相关实体

相关话题