Federated Survival Learning mit Bayesian DP verbessert Kreditrisikomodelle

In der Finanzwelt sind Kreditrisikomodelle unverzichtbare Entscheidungshilfen, doch die wachsenden Datenschutzbestimmungen wie die DSGVO und der CCPA erschweren den grenzüberschreitenden Austausch sensibler Kundendaten. Gleichzeitig vernachlässigen klassische Modelle die Zeit bis zum Ausfall und behandeln frühe und späte Defaulters gleichwertig, während zentralisierte Trainingsmethoden regulatorische Grenzen überschreiten.

Um diese Herausforderungen zu meistern, wurde das Federated Survival Learning mit Bayesian Differential Privacy (FSL‑BDP) entwickelt. Das System modelliert die Zeit bis zum Ausfall von Kreditnehmern, ohne sensible Daten zu zentralisieren, und bietet gleichzeitig datengesteuerte Differential-Privacy-Garantien. So können mehrere Finanzinstitute gemeinsam die Dynamik von Kreditrisiken erlernen, ohne ihre Daten preiszugeben.

In Experimenten mit drei realen Kreditdatensätzen – LendingClub, SBA und Bondora – zeigte sich, dass die Federated-Architektur die Wirksamkeit der Privatsphäre-Mechanismen grundlegend verändert. Während klassische DP in zentralen Setups überlegen war, profitierte Bayesian DP deutlich stärker von der Föderation (Zuwachs von 7,0 % gegenüber 1,4 %). In den meisten beteiligten Clients erreichte Bayesian DP nahezu die Leistung ohne Privatsphäre und übertraf klassische DP.

Diese Ergebnisse liefern einen entscheidenden Hinweis für die Praxis: Die Auswahl des geeigneten Privatsphäre-Mechanismus sollte immer im Kontext der Ziel-Deployment-Architektur getroffen werden, nicht allein anhand zentraler Benchmarks. FSL‑BDP bietet damit einen klaren, umsetzbaren Leitfaden für Finanzinstitute, die datenschutzkonforme, leistungsfähige Kreditrisikomodelle entwickeln wollen.