Adaptive Erklärungen für Kredit-Scoring: Mehr Fairness bei sich wandelnden Daten

In modernen Kredit-Scoring-Systemen verändern sich die Daten ständig – von sich ändernden Kreditnehmerverhalten über wirtschaftliche Schwankungen bis hin zu neuen regulatorischen Vorgaben. Diese „Concept Drift“-Phänomene machen herkömmliche Erklärungsansätze wie SHAP unzuverlässig, weil sie auf statische Daten und feste Hintergrundverteilungen angewiesen sind.

Eine neue Studie aus dem arXiv-Repository (ArXiv:2511.03807v1) präsentiert adaptive Erklärungsframeworks, die speziell für dynamische Kreditmodelle entwickelt wurden. Die Autoren kombinieren XGBoost mit drei Varianten von SHAP, die sich kontinuierlich an veränderte Daten anpassen: (A) per‑Slice‑Reweighting, das Feature‑Verteilungen neu gewichtet; (B) drift‑aware Rebaselining, das mit gleitenden Fenster‑Hintergrundproben arbeitet; und (C) Online‑Surrogate‑Kalibrierung, die auf inkrementeller Ridge‑Regression basiert.

Die Evaluation auf einem mehrjährigen Kreditdatensatz zeigt, dass die adaptiven Methoden – besonders Rebaselining und Surrogates – die zeitliche Stabilität der Erklärungen deutlich erhöhen und gleichzeitig die Diskriminierung zwischen verschiedenen demografischen Gruppen reduzieren, ohne die Vorhersagegenauigkeit zu beeinträchtigen. Zusätzlich wurden Robustheitstests wie Gegenfaktische Störungen, Sensitivitätsanalysen und Proxy‑Variable-Erkennung durchgeführt, die die Widerstandsfähigkeit der adaptiven Erklärungen unter realen Driftbedingungen bestätigen.