lending application

新框架通过选择性标签解决表现性预测问题

本文介绍了一个用于“选择性标签下的表现性预测”的正式框架，该框架解决了机器学习模型影响群体行为且标签仅对部分人群可见的场景。研究表明，当标签具有选择性时，标准的再训练方法可能无法收敛到稳定解。为应对此，作者提出了一种使用标签概率置信区间的最坏情况目标函数，该函数与重复风险最小化相结合，可确保模型接近真实的稳定点。在具有公平性正则化的贷款应用中的实验表明，这种鲁棒优化方法在性能上可与使用完整标签访问的方法相媲美。