Class-Imbalance-Aware Adaptive Dataset Distillation for Scalable Pretrained Model on Credit Scoring
创建于 更新于
摘要
本论文提出将类不平衡感知的目标函数嵌入到KIP风格的数据蒸馏过程中，以生成小规模但保留少数类几何结构的合成支持集，从而使TabPFN等预训练表格模型在信贷评分中可扩展并兼顾隐私保护。实证覆盖6个公开信用数据集，结果显示不平衡感知蒸馏（如Focal与LA）相较MSE基线最高可提升AUC 8.7个百分点，且蒸馏集在多数情形下以远低于原样本量的比例保留了原始训练AUC的高比例表现 [page::0][page::3]
