論文の概要: Linking Bank Clients using Graph Neural Networks Powered by Rich
Transactional Data
- arxiv url: http://arxiv.org/abs/2001.08427v1
- Date: Thu, 23 Jan 2020 10:02:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 10:10:24.259710
- Title: Linking Bank Clients using Graph Neural Networks Powered by Rich
Transactional Data
- Title(参考訳): リッチトランザクションデータを利用したグラフニューラルネットワークによる銀行顧客リンク
- Authors: Valentina Shumovskaia, Kirill Fedyanin, Ivan Sukharev, Dmitry
Berestnev and Maxim Panov
- Abstract要約: 本稿では,ネットワークのトポロジ構造だけでなく,グラフノードやエッジで利用可能な豊富な時系列データを利用する新しいグラフニューラルネットワークモデルを提案する。
提案手法は既存の手法よりも優れており,リンク予測問題におけるROC AUCスコアの差が大きく,信用スコアの質の向上も可能である。
- 参考スコア(独自算出の注目度): 2.1169216065483996
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Financial institutions obtain enormous amounts of data about user
transactions and money transfers, which can be considered as a large graph
dynamically changing in time. In this work, we focus on the task of predicting
new interactions in the network of bank clients and treat it as a link
prediction problem. We propose a new graph neural network model, which uses not
only the topological structure of the network but rich time-series data
available for the graph nodes and edges. We evaluate the developed method using
the data provided by a large European bank for several years. The proposed
model outperforms the existing approaches, including other neural network
models, with a significant gap in ROC AUC score on link prediction problem and
also allows to improve the quality of credit scoring.
- Abstract(参考訳): 金融機関は、ユーザー取引や送金に関する膨大なデータを取得し、時間とともに動的に変化する大きなグラフと見なすことができる。
本研究では,バンククライアントのネットワークにおける新たなインタラクションを予測し,リンク予測問題として扱うタスクに着目した。
本稿では,ネットワークのトポロジ構造だけでなく,グラフノードやエッジで利用可能な豊富な時系列データを利用する新しいグラフニューラルネットワークモデルを提案する。
欧州大銀行が提供するデータを用いて, 開発手法を数年間にわたって評価した。
提案モデルは他のニューラルネットワークモデルを含む既存のアプローチよりも優れており、リンク予測問題におけるroc aucスコアに大きな差があり、クレジットスコアの質も向上している。
関連論文リスト
- Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。
また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。
本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文 参考訳(メタデータ) (2024-10-13T02:22:14Z) - Applying Hybrid Graph Neural Networks to Strengthen Credit Risk Analysis [4.457653449326353]
本稿では, グラフ畳み込みニューラルネットワーク(GCNN)を用いた信用リスク予測手法を提案する。
提案手法は、従来の信用リスク評価モデルが直面する課題、特に不均衡なデータセットを扱う際の課題に対処する。
この研究は、信用リスク予測の精度を向上させるためのGCNNの可能性を示し、金融機関にとって堅牢なソリューションを提供する。
論文 参考訳(メタデータ) (2024-10-05T20:49:05Z) - A parameterised model for link prediction using node centrality and
similarity measure based on graph embedding [5.507008181141738]
リンク予測は、グラフ機械学習の重要な側面である。
ネットワークノード間で形成される可能性のある新しいリンクを予測する必要がある。
既存のモデルには重大な欠点がある。
ノードの集中度と類似度をベースとしています。
Model (NCSM) - リンク予測タスクの新しい方法。
論文 参考訳(メタデータ) (2023-09-11T13:13:54Z) - AoI-based Temporal Attention Graph Neural Network for Popularity
Prediction and Content Caching [9.16219929722585]
情報中心ネットワーク(ICN)は、予測結果に基づいて、限られた人気コンテンツをネットワークの端に積極的に保持することを目的としている。
本稿では,2部グラフに埋め込まれた構造パターンと時間パターンを協調的に学習するために,有効な動的グラフニューラルネットワーク(DGNN)を利用する。
また,情報時代(AoI)に基づくアテンション機構を提案し,貴重な歴史的情報を抽出する。
論文 参考訳(メタデータ) (2022-08-18T02:57:17Z) - BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。
リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。
BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文 参考訳(メタデータ) (2021-12-13T17:35:54Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳(メタデータ) (2021-08-19T15:39:52Z) - Relational Graph Neural Networks for Fraud Detection in a Super-App
environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。
我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。
以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文 参考訳(メタデータ) (2021-07-29T00:02:06Z) - How effective are Graph Neural Networks in Fraud Detection for Network
Data? [0.0]
グラフベースニューラルネットワーク(GNN)は、ノード(およびグラフ)の表現を学習するために作成された最近のモデルである。
金融詐欺は社会経済的関連性や、正の(詐欺)と負の(定期的な)取引(英語版)の間の極端な不均衡など、特定の課題を提示することで際立っている。
この2つの課題を考慮し,既存のネットワーク不正検出手法の評価実験を行った。
論文 参考訳(メタデータ) (2021-05-30T15:17:13Z) - Graph-Based Neural Network Models with Multiple Self-Supervised
Auxiliary Tasks [79.28094304325116]
グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。
マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
論文 参考訳(メタデータ) (2020-11-14T11:09:51Z) - EWS-GCN: Edge Weight-Shared Graph Convolutional Network for
Transactional Banking Data [2.1169216065483996]
取引先間の送金に基づく顧客間の接続情報により、クレジットスコアリングの質が大幅に向上することを示す。
本研究では,新しいグラフ畳み込みニューラルネットワークモデル EWS-GCN を開発し,アテンション機構によるグラフ畳み込みとリカレントニューラルネットワークのアイデアを組み合わせた。
論文 参考訳(メタデータ) (2020-09-30T12:09:28Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳(メタデータ) (2020-06-11T17:42:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。