本研究提出了一种非对称调整激活函数（ASIG），旨在解决信贷评分中的数据不平衡问题。ASIG根据数据集特性自动调整敏感边界，提升分类器对少数类样本的表现。实验结果表明，ASIG嵌入的分类器在多种不平衡数据集上优于传统方法，为金融信贷评分提供了有效解决方案。

本研究探讨了12种偏差缓解方法在公平机器学习中的应用，特别是在信贷评分中。研究指出实现公平与保持准确性和利润之间的矛盾，并提出了新的公平性度量标准和技术，强调了公平性处理器的有效性。此外，开发了Python库FairBench以探索潜在偏见问题，建议进一步研究以标准化机器学习模型的公正性。

本文提出了一种基于对抗性生成的数据方法，用于信贷评分系统中的机器学习模型评估与解释。研究表明，不同模型对反事实解释生成的影响不显著，强调了定性分析的重要性。提出的C-CHVAE和CROCO框架能够生成高质量的反事实解释，提升模型的可解释性和鲁棒性。