XiaoMi-AI文件搜索系统
World File Search SystemFannie
价值接受度 + 房产数据情况说明书
在没有评估的情况下，为了做出这些陈述和保证，贷方必须检查房产数据收集中的描述信息和照片展品，以确定该房产是否符合《销售指南》的所有要求。当房产数据收集证明任何项目不符合资格要求时，必须在将贷款出售给房利美之前对房产进行维修或完工。由于没有评估，贷方无法使用评估表 1004D 来验证完工情况。相反，贷方需要获得借款人证明信。
单户MBS披露指南 - 资本市场
L-023借款人信用评分在贷款发起过程中用于评估借款人的标准化信用评分。单个借款人的标准化信用评分或代表性的信用评分是i）如果从借款人的两个信用评分存储库中获得得分，则两个分数的较低，或II）如果从借款人的三个信用评分存储库中获得分数，则三分。对贷款的每个借款人进行了此评估。•将披露所有借款人的最低代表性信用评分•对于所有新交付的贷款，房利美都使用Fair Isaac Corporation开发的“经典” FICO评分，其范围为300-850。
FHFA已采取监督行动，以解决Freddie Mac的多户家庭风险管理缺陷，但当前的市场状况提出了挑战
1个多户住房是指拥有五个或更多单元的物业，包括公寓楼，高级独立或辅助生活物业，学生住房，合作社和制造的住房社区。一般参见多户会市场中的OIG，Fannie Mae和Freddie Mac（2017年9月7日）（WPR-2017-002）。有关多户住房目标和保护目标的详细信息，请参见《 FHFA》，2023年向国会报告。Freddie Mac的2023年年度报告和向美国证券交易委员会提交的季度报告提供了有关企业多户家庭业务实践，经营业绩和资本职位的更多详细信息。 有关最新的年度报告，请参见Freddie Mac，2024年年度报告（10-K）。Freddie Mac的2023年年度报告和向美国证券交易委员会提交的季度报告提供了有关企业多户家庭业务实践，经营业绩和资本职位的更多详细信息。有关最新的年度报告，请参见Freddie Mac，2024年年度报告（10-K）。
网络安全威胁检测的机器学习和...
隶属关系Fannie Mae，美国摘要： - 机器学习已成为网络安全领域的强大工具，特别是在威胁检测和预防领域。此抽象探讨了机器学习算法在加强网络安全措施以打击不断发展的网络威胁中的关键作用。机器学习技术的整合，例如深度学习，支持向量机，贝叶斯分类，增强学习，异常检测，静态文件分析和行为分析，彻底改变了网络安全的景观。这些算法使组织能够自动化威胁检测过程，增强异常识别，并支持针对复杂的网络攻击的安全防御能力。通过利用机器学习模型，网络安全专业人员可以迅速分析大量数据，实时检测恶意活动，并积极应对潜在的威胁。机器学习在网络安全方面的功效是可以通过提高分析师效率，规模规模提供专家情报并自动化手动任务以改善整体安全姿势的能力来明显的。关键字： - 机器学习，网络安全，威胁检测，预防，深度学习，静态文件分析，行为分析，安全措施，网络威胁。
ka lei momi lanakila Homes 201H豁免
B.开发商是一个单一的目的开发实体，由Highridge Costa私有和管理，Highridge Costa是一家专注于经济适用房的房地产开发公司。Highridge Costa专注于为家庭和老年人设计，开发和融资负担得起的公寓。Highridge Costa成立于1994年，曾参与整个美国300个社区的30,000多个经济适用房屋，Highridge Costa在使用联邦第42节LIHTC，退税抵押抵押贷款收入债券，Fannie Mae负担得起的住房和各种州和本地住房计划方面具有经验。Highridge Costa最近参与HHFDC包括690 Pohukaina，Kaahumanu Homes重建，Kokua高级Hale Apartments，Liloa Hale，Pahoa Ridge，Pahoa Ridge，市长Wright Homes Homes Redevelopments，Ka Lei Momi Momi Momi Kapaa和Kapolei Moena contivation（Kapolei Moena）（Hale Moena）（Hale Moena）（Hale Moena）。
企业使用人工智能和机器学习
2022 年 2 月，联邦住房金融局 (FHFA) 向 Fannie Mae 和 Freddie Mac（企业）发布了咨询公告 2022-02，人工智能/机器学习风险管理（咨询公告）。与咨询公告一起，FHFA 的少数族裔和妇女包容办公室发布了一封监管信，提供额外指导并建立机构对企业使用 AI/ML 的多样性和包容性的期望（监管信）。咨询公告讨论了企业使用 AI/ML 的主要风险以及有效风险管理的注意事项。根据 FHFA 的说法，AI/ML 允许企业处理大量数据并识别复杂的关系，增加了改善“效率和运营并减少错误和成本”的机会。 但是，AI/ML 带来了更高的模型、数据、监管和合规性以及其他运营风险。AI/ML 还可以注入或强化偏见。尽管很复杂，但 AI/ML 偏见通常是指不准确或不适当的方法导致不公平的结果。它可能表现为社会、经济、政治或文化偏见，可以是显性的，也可以是隐性的。该机构希望每个企业都遵循一套“AI/ML 核心道德原则”，以解决与监管和合规风险相关的各种偏见。
公告：1类修改Y-12（TN3890090001）有害废物许可证
摘要：与前一年相比，2023年12月，许多大都市地区的失业率增加了联邦政府的指标和报告。尽管田纳西州的失业率也同比略微升高，但每月从2023年11月下降。截至2月3日的一周的田纳西州的初步索赔也比前一周减少。在经济信心方面，Realclear Markets经济乐观指数在2月下降了1.6％。在住房市场中，“房利美购房情绪指数在1月份增加了3.5点，达到70.7，这是自2022年3月以来的最高水平，这主要是由于消费者对工作安全的信心增加，并且预计抵押贷款利率下降的消费者份额又有很大的增长。”抵押贷款申请增加，尽管平均15年和30年固定利率抵押贷款利率略有上升。
调查抵押贷款率机器学习模型中的偏见
银行和金融科技贷方越来越多地依靠计算机辅助模型在贷款决策中。传统模型是可以解释的：决策是基于可观察的因素，例如借款人的信用评分是否高于阈值，并且可以用这些因素的组合来解释。相比之下，现代机器学习模型是不透明的且不可解剖的。他们对过去种族歧视的人工制品的不透明和依赖历史数据意味着这些新模型有可能嵌入并加剧这种歧视，即使贷方不打算歧视。我们使用公开可用的HMDA贷款数据和公开可用的Fannie Mae贷款绩效数据来校准两个随机的森林分类器。我们使用两种可解释的人工智能（XAI）模型，即石灰和塑形，以表征哪些功能驱动这些校准的ML贷款模型产生的决策。我们的初步发现表明，当模型访问此类信息时，各种种族因素在模型中的决策过程中产生了重大影响，如接受HMDA数据培训的模型所示。这些结果突出了需要进一步研究以深入了解和解决这些影响的必要性。