Debiasing Alternative Data for Credit Underwriting Using Causal Inference
创建于 更新于
摘要
本报告提出一种基于因果推断的方法对另类数据进行去偏，使其可安全应用于信用审核，避免代理歧视和非法偏见。通过构建因果贝叶斯网络模型，区分合法数据路径与非法代理路径，训练时引入受保护属性作为调整变量，推断时置固定默认值，成功消除代理歧视风险。实证基于国家抵押贷款调查数据验证，该算法在提升模型整体准确性的同时，显著减少了不同族群间的模型偏差，兼顾公平性与精度 [page::0][page::2][page::3][page::4][page::6]。
