面向不平衡信用评估的双流表示学习与原生反事实解释生成网络

Abstract

针对信用评估中极端的类别不平衡及特征异构导致的预测瓶颈与“黑盒”合规困境，本文提出一种端到端的双流表示学习与原生反事实解释生成网络。该模型通过双流多层感知机（Dual-stream MLP）实现连续与类别特征的解耦映射与晚期门控融合；引入定制化焦点损失（Focal Loss）动态调整梯度权重，攻克违约样本稀缺引发的准确率悖论；并创新性地在潜在空间嵌入基于真实样本的“原生反事实”正则化损失，确保解释结果 100% 契合金融业务联动约束。在 GMSC 与 UCI 数据集上的实验表明，本方法在 AUC 和少数类 F1-Score 上均显著优于基线模型，且生成的反事实解释在业务逻辑合法率上达到 100% 的真实可行性，为高可靠、可解释的透明信贷风控提供了新范式。