DTD-VAE：解耦时序依赖的变分自编码器提升信用风险预测

01 摘要

本文介绍了一种名为DTD-VAE的变分自编码器改进模型，用于信用风险预测。模型通过自回归时间依赖学习捕获潜在变量间的时间依赖，并采用逐元素门控机制实现细粒度解耦，从而区分风险相关特征和一般偏好。实验显示，在六个真实数据集上，模型性能显著优于基线。作者认为该模型能够更有效地提取时间相关信息，但需注意实验数据的具体来源和泛化性。

02 关键点

1. DTD-VAE能够解耦时间依赖，区分信用风险相关特征与一般行为模式。
2. 自回归时间依赖学习机制增强了模型对数据结构的理解。
3. 逐元素门控机制实现细粒度解耦，提升风险预测精度。
4. 在六个真实数据集上，ROC-AUC提升3.2%-4.86%，AR提升6.41%-9.71%。