Newest papers

FedIncome: Federated Learning for Income Estimation in Digital Lending Under Data Sovereignty Constraints

Sultan Amed, Tanmay Sen, Sayantan Banerjee · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2609.27654 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Thu nhập hợp tác của Fed thường không có sẵn trong các ứng dụng cho vay dữ liệu kỹ thuật số, buộc các nhà cho vay phải dựa vào thu nhập báo cáo và có khả năng dẫn đến việc cho vay quá mức, cung cấp quá bảo thủ hoặc từ chối các ứng viên đáng tin cậy. Các hạn chế chia sẻ dữ liệu liên tổ chức làm cho vấn đề này đặc biệt khó khăn cho các nhà cho vay nhỏ hơn với dữ liệu đào tạo hạn chế. Chúng tôi giới thiệu FedIncome, một khuôn khổ học tập liên bang cho ước tính thu nhập mặc định cho phép các tổ chức đào tạo một mô hình chia sẻ mà không mô phỏng hồ sơ thu nhập của người cho vay thô. Sử dụng hơn một triệu khoản vay của LendingClub phân chia thành các khách hàng cấp tiểu bang $ 50, chúng tôi mô phỏng một tập đoàn cho vay không đồng nhất với dữ liệu đào tạo hạn chế. Mô hình liên kết tốt nhất đạt

Machine translation (Meta M2M100); the English original follows.

Abstract

Verified income is often unavailable in digital loan applications, forcing lenders to rely on reported income and potentially leading to over-lending, overly conservative offers, or rejection of creditworthy applicants. Cross-institutional data-sharing constraints make this problem especially difficult for smaller lenders with limited training data. We introduce FedIncome, a federated learning framework for income estimation that enables institutions to train a shared model without pooling raw borrower records. Using more than one million LendingClub loans partitioned into $50$ state-level clients, we simulate a heterogeneous lending consortium. The best federated model achieves out-of-time $R^2=0.608$, compared with $0.619$ for a pooled centralised benchmark. Small-sample clients obtain an average out-of-time $R^2$ improvement of $3.8$ percentage points relative to the pooled centralised benchmark, while the fitted client-level relationship places the empirical crossover at approximately $4,790$ training observations in this setting. When pooling is infeasible and the relevant alternative is local-only training, federation improves out-of-time performance across all sample-size groups, with the largest gains for data-scarce clients. We also combine federated income estimates with state- and income-specific debt-to-income thresholds. In a retrospective decision analysis, replacing reported income with the federated estimate increases simulated approval rates with only modest changes in observed default rates. FedIncome supports collaborative learning under data-locality constraints with little aggregate loss relative to pooled training and larger gains relative to local-only estimation.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Pooling, Estimation, Econometrics, Loan, Computer science, Economics

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange