事前予測を超えて：勤務中行動の活用による金融リスク予測の改善
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.06385v3発表タイプ：置き換えクロス
概要：典型的な金融リスク管理は、事前リスク評価と稼働中におけるデフォルト検出という別々の段階を含み、しばしば個別にモデル化されます。本論文は、稼働中のユーザー行動データの統合を通じて事前リスク予測を向上させることを目的とした、新しい枠組みであるMulti-Granularity Knowledge Distillation（MGKD）を提案します。MGKDは知識蒸留の考え方に基づき、稼働中の履歴データで訓練された教師モデルが、事前データで訓練された生徒モデルを導きます。稼働中のデータから導出されたソフトラベルを用いることで、教師モデルはサービス稼働前に生徒モデルのリスク予測能力向上を支援します。同時に、粗粒度、細粒度、自己蒸留を含む多粒度蒸留戦略が導入され、教師モデルと生徒モデルの表現と予測を調整します。このアプローチは、デフォルト事例の表現を強化するだけでなく、デフォルトユーザーに関連する主要な行動パターンを教師モデルから生徒モデルに転移させることで、事前リスク評価の全体的なパフォーマンスを向上させます。さらに、少数派クラスへのモデルの偏りを軽減するために、再重み付け戦略を採用しています。Tencent Mobile Paymentからの大規模な現実世界のデータセットを用いた実験結果は、オフラインとオンラインの両シナリオにおいて、提案手法の有効性を示しています。
原文（英語）を表示
Title (EN): Beyond the Pre-Service Horizon: Infusing In-Service Behavior for Improved Financial Risk Forecasting
arXiv:2509.06385v3 Announce Type: replace-cross
Abstract: Typical financial risk management involves distinct phases for pre-service risk assessment and in-service default detection, often modeled separately. This paper proposes a novel framework, Multi-Granularity Knowledge Distillation (abbreviated as MGKD), aimed at improving pre-service risk prediction through the integration of in-service user behavior data. MGKD follows the idea of knowledge distillation, where the teacher model, trained on historical in-service data, guides the student model, which is trained on pre-service data. By using soft labels derived from in-service data, the teacher model helps the student model improve its risk prediction prior to service activation. Meanwhile, a multi-granularity distillation strategy is introduced, including coarse-grained, fine-grained, and self-distillation, to align the representations and predictions of the teacher and student models. This approach not only reinforces the representation of default cases but also enables the transfer of key behavioral patterns associated with defaulters from the teacher to the student model, thereby improving the overall performance of pre-service risk assessment. Moreover, we adopt a re-weighting strategy to mitigate the model’s bias towards the minority class. Experimental results on large-scale real-world datasets from Tencent Mobile Payment demonstrate the effectiveness of our proposed approach in both offline and online scenarios.
Published: 2025-09-24 19:00 UTC