| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 2.45 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
This paper investigates the effect of co-teaching strategies on the handling of reject inference. The investigation explores the utility of co-teaching, a technique known for effectively handling noisy labels, specifically in computer vision, when applied to tabular data for the purpose of understanding its value in credit scoring models. This research provides a comprehensive analysis by comparing two different co-teaching strategies, fixed and incremental forget rates, to traditional the neural network approach in addressing reject inference issues. The findings suggest that although co-teaching has proven effective in other domains, the implementations that this study proposes for credit risk assessment do not provide a significant benefit in accurately predicting defaulting applications. The results indicate that traditional neural networks exhibit greater success in handling predictions for the minority class, which is crucial from a business standpoint. For future research, the study highlights the significance of improving co-teaching strategies, such as modifying the forget rate and investigating alternative network architectures. Future studies can further improve noise-robust learning techniques and their application in complex real-world scenarios by expanding current methodologies and exploring new adaptations. The research contributes to the existing literature by exploring the potential of co-teaching and providing a comprehensive analysis of its effectiveness in the presence of noisy labels. The study provides a basis for future investigations and practical implementations, with the goal of expanding the use and effectiveness of co-teaching strategies in the field of credit risk modeling.
Este artigo investiga o efeito de estratégias de co-teaching no manejo da inferência de rejeição, focando na utilidade dessa técnica, conhecida por lidar eficazmente com rótulos ruidosos em visão computacional, em dados tabulares para modelos de pontuação de crédito. Realiza uma análise abrangente ao comparar duas estratégias de co-teaching no, taxas de esquecimento fixas e incrementais, com a abordagem neural tradicional, para resolver problemas de inferência de rejeição. Embora o co-teaching no seja eficaz em outros domínios, as implementações propostas para avaliação de risco de crédito não mostraram benefício significativo na previsão precisa de inadimplência. Os resultados apontam que redes neurais tradicionais têm mais sucesso em prever a classe minoritária, essencial para o negócio. O estudo encoraja pesquisas futuras a aprimorarem estratégias de co-teaching, ajustando a taxa de esquecimento e explorando novas arquiteturas de rede, para melhorar as técnicas de aprendizado robustas ao ruído em cenários reais. Contribui para a literatura existente ao explorar o potencial do co teaching e sua eficácia frente a rótulos ruidosos, estabelecendo base para futuras investigações e implementações práticas em modelagem de risco de crédito.
Este artigo investiga o efeito de estratégias de co-teaching no manejo da inferência de rejeição, focando na utilidade dessa técnica, conhecida por lidar eficazmente com rótulos ruidosos em visão computacional, em dados tabulares para modelos de pontuação de crédito. Realiza uma análise abrangente ao comparar duas estratégias de co-teaching no, taxas de esquecimento fixas e incrementais, com a abordagem neural tradicional, para resolver problemas de inferência de rejeição. Embora o co-teaching no seja eficaz em outros domínios, as implementações propostas para avaliação de risco de crédito não mostraram benefício significativo na previsão precisa de inadimplência. Os resultados apontam que redes neurais tradicionais têm mais sucesso em prever a classe minoritária, essencial para o negócio. O estudo encoraja pesquisas futuras a aprimorarem estratégias de co-teaching, ajustando a taxa de esquecimento e explorando novas arquiteturas de rede, para melhorar as técnicas de aprendizado robustas ao ruído em cenários reais. Contribui para a literatura existente ao explorar o potencial do co teaching e sua eficácia frente a rótulos ruidosos, estabelecendo base para futuras investigações e implementações práticas em modelagem de risco de crédito.
Description
Keywords
Co-teaching Reject inference Deep learning Credit risk Noisy labels Risk management