Buchumschlag

An Information-Theoretic Framework for Credit Risk Modeling: Unifying Industry Practice with Statistical Theory for Fair and Interpretable Scorecards

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sudjianto, Agus, Burakov, Denis
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Geometric Dynamics of Consumer Credit Cycles: A Multivector-based Linear-Attention Framework for Explanatory Economic Analysis
von: Sudjianto, Agus, et al.
Veröffentlicht: (2025)

Less Discriminatory Alternative and Interpretable XGBoost Framework for Binary Classification
von: Pangia, Andrew, et al.
Veröffentlicht: (2024)

Decomposing Global AUC into Cluster-Level Contributions for Localized Model Diagnostics
von: Sudjianto, Agus, et al.
Veröffentlicht: (2025)

Inherently Interpretable Tree Ensemble Learning
von: Yang, Zebin, et al.
Veröffentlicht: (2024)

Model Validation Practice in Banking: A Structured Approach for Predictive Models
von: Sudjianto, Agus, et al.
Veröffentlicht: (2024)

Automatic Generation of Behavioral Test Cases For Natural Language Processing Using Clustering and Prompting
von: Li, Ying, et al.
Veröffentlicht: (2024)

The Fairness of Credit Scoring Models
von: Hurlin, Christophe, et al.
Veröffentlicht: (2022)

Interpretable LLMs for Credit Risk: A Systematic Review and Taxonomy
von: Golec, Muhammed, et al.
Veröffentlicht: (2025)

Cardiac mortality prediction in patients undergoing PCI based on real and synthetic data
von: Burakov, Daniil, et al.
Veröffentlicht: (2025)

Towards a framework on tabular synthetic data generation: a minimalist approach: theory, use cases, and limitations
von: Shen, Yueyang, et al.
Veröffentlicht: (2024)

Enhancing ML Models Interpretability for Credit Scoring
von: Schwartz, Sagi, et al.
Veröffentlicht: (2025)

A Theoretical Framework for Statistical Evaluability of Generative Models
von: Aiyer, Shashaank, et al.
Veröffentlicht: (2026)

A Unified Information-Theoretic Framework for Meta-Learning Generalization
von: Wen, Wen, et al.
Veröffentlicht: (2025)

Fair and Explainable Credit-Scoring under Concept Drift: Adaptive Explanation Frameworks for Evolving Populations
von: John, Shivogo
Veröffentlicht: (2025)

Standardized Interpretable Fairness Measures for Continuous Risk Scores
von: Becker, Ann-Kristin, et al.
Veröffentlicht: (2023)

A Unified and Stable Risk Minimization Framework for Weakly Supervised Learning with Theoretical Guarantees
von: Zhang, Miao, et al.
Veröffentlicht: (2025)

When Interpretability Is Unequally Distributed: Fairness in Hybrid Interpretable Models
von: Zare, Ziba Jabbar, et al.
Veröffentlicht: (2026)

Improving Fairness in Credit Lending Models using Subgroup Threshold Optimization
von: Ying, Cecilia, et al.
Veröffentlicht: (2024)

Foundation Models for Credit Risk Prediction: A Game Changer?
von: Baesens, Bart, et al.
Veröffentlicht: (2026)

Beyond RLHF: A Unified Theoretical Framework of Alignment
von: Yun, Jihun, et al.
Veröffentlicht: (2025)

An Information-Theoretic Approach to Generalization Theory
von: Rodríguez-Gálvez, Borja, et al.
Veröffentlicht: (2024)

KACDP: A Highly Interpretable Credit Default Prediction Model
von: Liu, Kun, et al.
Veröffentlicht: (2024)

Interpretable Credit Default Prediction with Ensemble Learning and SHAP
von: Yang, Shiqi, et al.
Veröffentlicht: (2025)

Interpretable Fair Clustering
von: Jiang, Mudi, et al.
Veröffentlicht: (2025)

Calibrated Credit Intelligence: Shift-Robust and Fair Risk Scoring with Bayesian Uncertainty and Gradient Boosting
von: Nayak, Srikumar
Veröffentlicht: (2026)

Fair Domain Generalization: An Information-Theoretic View
von: Lian, Tangzheng, et al.
Veröffentlicht: (2025)

Fair MP-BOOST: Fair and Interpretable Minipatch Boosting
von: Little, Camille Olivia, et al.
Veröffentlicht: (2024)

DispaRisk: Auditing Fairness Through Usable Information
von: Vasquez, Jonathan, et al.
Veröffentlicht: (2024)

Fair Regression under Demographic Parity: A Unified Framework
von: Feng, Yongzhen, et al.
Veröffentlicht: (2026)

Unlocking the Black Box: A Five-Dimensional Framework for Evaluating Explainable AI in Credit Risk
von: Ye, Rongbin, et al.
Veröffentlicht: (2025)

Fair GLASSO: Estimating Fair Graphical Models with Unbiased Statistical Behavior
von: Navarro, Madeline, et al.
Veröffentlicht: (2024)

Generalization in VAE and Diffusion Models: A Unified Information-Theoretic Analysis
von: Chen, Qi, et al.
Veröffentlicht: (2025)

A Distributionally Robust Optimisation Approach to Fair Credit Scoring
von: Casas, Pablo, et al.
Veröffentlicht: (2024)

A Boolean Function-Theoretic Framework for Expressivity in GNNs with Applications to Fair Graph Mining
von: Pal, Manjish
Veröffentlicht: (2026)

Do Fair Models Reason Fairly? Counterfactual Explanation Consistency for Procedural Fairness in Credit Decisions
von: Popoola, Gideon, et al.
Veröffentlicht: (2026)

AI Data Development: A Scorecard for the System Card Framework
von: Bahiru, Tadesse K., et al.
Veröffentlicht: (2025)

Theoretical Investigations and Practical Enhancements on Tail Task Risk Minimization in Meta Learning
von: Lv, Yiqin, et al.
Veröffentlicht: (2024)

Interpretable Representations in Explainable AI: From Theory to Practice
von: Sokol, Kacper, et al.
Veröffentlicht: (2020)

A Unified Post-Processing Framework for Group Fairness in Classification
von: Xian, Ruicheng, et al.
Veröffentlicht: (2024)

Fairness Overfitting in Machine Learning: An Information-Theoretic Perspective
von: Laakom, Firas, et al.
Veröffentlicht: (2025)