智能风控中的因果推断实践

因果推断可以帮助风控建立更稳定和可解释的评分卡模型，通过消除混淆因子的影响，提取出真正影响信用风险的因素，避免模型在不同环境下失效或泛化能力不足。因果推断还可以帮助风控进行更深入的数据分析和洞察，通过构建因果图或因果网络，表示数据生成过程中的因果结构，从而发现潜在的风险因素、风险传播路径、风险影响范围等。为推动风控与因果推断的实践发展，DataFunSummit2023：因果推断在线峰会设立风控与因果推断论坛，邀请业内专家分享最新实践和研究成果。欢迎广大从业者参与交流。

扫码报名免费观看直播出品人：李龙飞 蚂蚁集团 资深算法专家

个人介绍：硕士毕业于西北工业大学，在蚂蚁工作9年，当前主要负责蚂蚁自动学习，因果推断，逻辑学习等技术方向，开发的技术服务于蚂蚁核心的搜广推，风控等场景。带领团队在nips，icml，kdd，aaai等国际会议发表论文20+，并获得ccf-2020技术进步卓越奖。

方俊峰 中国科学技术大学 博士研究生

个人介绍：方俊峰，中国科学技术大学三年级博士生，主要研究方向为可信图神经网络。

演讲题目：探索图可解释性中的分布外泛化问题

演讲介绍：图事后可解释性常因无法解决分布外泛化问题（OOD）而被诟病。针对此，本报告提出了：①一种基于对抗鲁棒性的抗OOD评估指标；②一种提高算法抗OOD能力的网络-数据联合解释范式。上述指标和范式可以极大地缓解OOD问题所带来的性能下降和应用限制。

演讲提纲：

1. 事后可解释性的经典算法和 OOD 问题。

2. 基于对抗鲁棒性的抗 OOD 评估指标。

3. 基于EM算法的网络-数据联合解释范式。

听众收益：

1. 可解释算法为何会引入 OOD 问题？

2. 当前的可解释评估指标真的“公平”吗？

3. 如何实现网络-数据的联合解释？

唐才智 蚂蚁集团 算法专家

个人介绍：硕士毕业于毕业于东南大学，目前任职于蚂蚁集团的智能引擎事业部。主要研究方向包括因果推断，可解释等方向，工作内容是将其应用于蚂蚁推荐，营销以及风控等场景以解决实际的业务问题，目前在这些场景均取得显著的业务效果。本次分享的主题“在蚂蚁风控场景上的因果纠偏方法”，里面我们提出的方法也被NeurIPS’22/23，ICML’23，SIGIR’23等多个机器学习会议接收。

演讲题目：在蚂蚁风控场景上的因果纠偏方法

演讲提纲：在金融风控类场景中，由于存在大量的强干预类手段比如提额、风险拦截等等，而这些强干预背后少不了因果的各类方法作为支撑，比如很多策略的指定都需要提前知道施加了对应的干预后会有什么要的响应、需要做到什么要的程度才能达到预期以及会不会造成不良影响呢？所以这背后都是需要我们提前预估出各类干预手段对干预主体产生因果效应。而考虑到我们收集到的绝大多数数据都是观测数据是有偏的，比如由于样本选择导致的selection bias或者混杂因子控制不当导致的confounding bias等等。所以我们将从金融风控的视角出发，介绍我们在从利用confounding entropy、双重差分、数据融合等的方法来解决因果效应估计中的bias。

听众收益：

1. 了解因果效应估计中混淆因子是如何对我们因果推断产生干扰的；

2. 在有观测不到混淆因子存在的时候如何做因果效应估计；

3. 基于因果效应估计怎么在金融风控中应用扫码免费报名观看直播

往期推荐

快手内容冷启动推荐模型实践

阿里巴巴数据稳定性治理实践

限时免费《因果推断》电子书领取中！

Abase2: NoSQL数据库中的CRDT支持实践

点击关注，更多信息更新中