최근 은행의 대출 심사 과정에는 인공지능 기반 접근법이 도입되며, 심사의 효율성과 정확도를 향상시키려는 노력이 지속되고 있다. 그러나 효과적인 모델 학습을 위해서는 대규모의 고품질 데이터가 필요하며, 이는 개인정보에 민감한 데이터의 공유가 제한되는 금융 기관 간의 협업에 본질적인 제약을 초래한다. 본 논문에서는 이러한 문제를 해결하기 위해 멀티태스크 연합학습(Multi-Task Federated Learning, MTFL) 기반의 개인정보 보호형 대출 심사 프레임워크를 제안한다. 제안된 프레임워크는 각 은행이 여러 가지 태스크를 수행하면서도 민감한 데이터를 중앙 서버에 공유하지 않고 협업할 수 있도록 구성되었다. 구현된 모델은 단일 태스크 연합학습 모델, 개인정보에 민감한 데이터 공유가 제한된 멀티태스크 모델 대비 향상된 성능을 보였다. 또한, 학습된 모델에 대해 SHAP 값을 활용하여 입력 변수의 기여도를 분석함으로써, 모델의 결정 과정에 대한 설명 가능성도 확보하였다.
Choi et al. (Thu,) studied this question.