Explainable Federated Learning for U.S. State-Level Financial Distress Modeling
Lorenzo Carta, Fernando Spadea, and Oshani Seneviratne
我们向美国首次申请联邦学习(FL)。 国家金融能力研究,引入了一个可解释的框架,用于预测所有50个州和哥伦比亚特区的消费者财务困境,而无需集中敏感数据。 我们的跨筒仓FL设置将每个州视为一个独特的数据孤岛,模拟全国金融体系中的实际治理。 与之前的工作不同,我们的方法集成了两种可解释的人工智能技术,以确定全球(全国)和地方(特定国家)的财务困难预测因素,例如债务收集机构的接触。 我们开发了一个专门用于高度分类、不平衡的调查数据的机器学习模型。 这项工作为金融早期预警系统提供了一个可扩展的、符合监管标准的蓝图,展示了FL如何在消费者信用风险和金融包容性方面为对社会负责的人工智能应用提供动力。
We present the first application of federated learning (FL) to the U.S. National Financial Capability Study, introducing an interpretable framework for predicting consumer financial distress across all 50 states and the District of Columbia without centralizing sensitive data. Our cross-silo FL setup treats each state as a distinct data silo, simulating real-world governance in nationwide financial systems. Unlike prior work, our approach integrates two complementary explainable AI techniques to...
