Explainable multi-scale deep feature fusion for credit default prediction

Mohamed Hosny

doi:10.1016/j.compeleceng.2026.111482

Explainable multi-scale deep feature fusion for credit default prediction

2026-10-20

0

PRE

AI

Mousa Ahmad Albashrawi

Y

Yogesh K. Dwivedi

DOI：10.1016/j.compeleceng.2026.111482

原文链接

原文求助

摘要

En 中文

准确信用违约预测对稳健的金融风险管理及明智的信贷决策至关重要。尽管现有机器学习（ML）和深度学习（DL）方法在信用评分方面取得进展，但其实际影响受到混合ML-DL集成有限、多尺度特征学习不足、类别不平衡缓解不充分以及模型可解释性欠缺的制约。因此，我们提出了一种增强型扩张卷积神经网络（ED-CNN），在统一特征提取框架内整合了多尺度表示学习和可解释特征优化。ED-CNN采用多分支卷积路径和扩张残差块以捕捉金融指标间的多样化非线性依赖关系。通过注意力驱动的全局上下文融合机制动态优先处理行为性和结构性信用属性。此外，嵌入生成对抗网络（GAN）以生成逼真的少数类（违约）样本并缓解类别不平衡。利用四种特征选择技术——随机森林重要性、主成分分析（PCA）、最小绝对收缩和选择算子（LASSO）正则化以及Shapley加性解释（SHAP）——对提取的ED-CNN嵌入进行优化。所选深度特征与原始金融变量结合后输入至多种ML分类器。所提框架在两个基准信用违约数据集上分别取得0.9078和0.9053的曲线下面积（AUC）分数。值得注意的是，当原始特征与PCA或SHAP优化的ED-CNN嵌入融合时，极端梯度提升（XGBoost）表现最佳。SHAP分析进一步表明，学习到的决策逻辑与既定金融风险指标一致。所提框架为符合监管要求的信用风险管理人工智能解决方案提供了新方向。

Keyword:

Decision support systems

Credit default classification

Enhanced dilation

Generative adversarial networks

Feature fusion

Explainable multi-scale deep feature fusion for credit default prediction

摘要

期刊

机构

引用论文