FedIncome: Federated Learning for Income Estimation in Digital Lending Under Data Sovereignty Constraints
Aggiunta all'archivio di AIChronos il (numero del 23 settembre 2026 ricostruito)· fonte del · Sultan Amed, Tanmay Sen, Sayantan Banerjee
FedIncome è un framework di federated learning progettato per stimare il reddito dei richiedenti prestiti digitali senza condividere dati grezzi tra istituzioni finanziarie. Utilizzando oltre un milione di prestiti LendingClub distribuiti in $50$ clienti a livello statale, il modello supera le prestazioni del training centralizzato nei casi con campioni limitati e offre guadagni significativi rispetto all'addestramento locale esclusivo. La soluzione integra stime federate con soglie specifiche per stato e reddito di debito-su-reddito, migliorando i tassi di approvazione simulata mantenendo bassi i tassi di default osservati.
- Il framework permette ad istituzioni finanziarie eterogenee di allenare un modello condiviso rispettando la sovranità dei dati (data sovereignty constraints).
- Nei clienti con campioni piccoli, FedIncome ottiene un miglioramento medio dell'$R^2$ out-of-time del 3.8 punti percentuali rispetto al benchmark centralizzato.
- L'approccio federato supera le prestazioni del training locale esclusivo in tutti i gruppi di dimensione campionaria quando il pooling dei dati non è fattibile.
- Il modello identifica un punto di crossover empirico a circa $4,790$ osservazioni di addestramento prima che il centralizzato diventi superiore al federato.
- L'integrazione con soglie specifiche per stato e reddito aumenta i tassi di approvazione simulata senza alterare significativamente i tassi di default.
Perché conta. Per uno sviluppatore focalizzato su LLM, agenti o AI locale, questo paper è rilevante perché illustra come architetture federate possano mitigare il problema della scarsità di dati (data scarcity) e garantire privacy senza sacrificare le prestazioni del modello.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.