論文の概要: Every Corporation Owns Its Structure: Corporate Credit Ratings via Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2012.01933v1
• Date: Fri, 27 Nov 2020 02:57:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 01:37:07.516580
• Title: Every Corporation Owns Its Structure: Corporate Credit Ratings via Graph Neural Networks
• Title（参考訳）: すべての企業がその構造を所有:グラフニューラルネットワークによる企業クレジットレーティング
• Authors: Bojing Feng, Haonan Xu, Wenfang Xue and Bindang Xue
• Abstract要約: 本稿では,グラフニューラルネットワークを用いた企業信用評価モデルCCR-GNNを提案する。 まず、まず、セルフアウトの製品に基づいて各企業の個々のグラフを構築し、次に、GNNを使用して機能相互作用を明示的にモデル化する。 中国の上場企業評価データセットで実施された実験は、CCR-GNNが最先端の手法を一貫して上回っていることを証明している。
• 参考スコア（独自算出の注目度）: 2.7910505923792637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Credit rating is an analysis of the credit risks associated with a corporation, which reflects the level of the riskiness and reliability in investing, and plays a vital role in financial risk. There have emerged many studies that implement machine learning and deep learning techniques which are based on vector space to deal with corporate credit rating. Recently, considering the relations among enterprises such as loan guarantee network, some graph-based models are applied in this field with the advent of graph neural networks. But these existing models build networks between corporations without taking the internal feature interactions into account. In this paper, to overcome such problems, we propose a novel model, Corporate Credit Rating via Graph Neural Networks, CCR-GNN for brevity. We firstly construct individual graphs for each corporation based on self-outer product and then use GNN to model the feature interaction explicitly, which includes both local and global information. Extensive experiments conducted on the Chinese public-listed corporate rating dataset, prove that CCR-GNN outperforms the state-of-the-art methods consistently.
• Abstract（参考訳）: 信用格付けは、投資におけるリスクと信頼性のレベルを反映し、金融リスクにおいて重要な役割を果たす、企業に関連する信用リスクの分析である。 企業信用格付けを扱うためにベクトル空間に基づく機械学習とディープラーニング技術を実装する多くの研究が登場している。 近年,ローン保証ネットワークなどの企業間の関係を考慮すると,グラフニューラルネットワークの出現に伴い,グラフベースモデルもいくつか適用されている。 しかし、これらの既存のモデルは企業間のネットワークを構築し、内部の機能的相互作用を考慮に入れない。 本稿では,このような問題を解決するために,グラフニューラルネットワークを用いた企業信用評価モデルCCR-GNNを提案する。 まず、各企業の個々のグラフをセルフアウト製品に基づいて構築し、gnnを使用して、ローカル情報とグローバル情報の両方を含む機能インタラクションを明示的にモデル化します。 中国の上場企業評価データセットで実施された大規模な実験は、CCR-GNNが最先端の手法を一貫して上回っていることを証明している。

関連論文リスト

• Graph Dimension Attention Networks for Enterprise Credit Assessment [40.87056211723355]
  グラフ次元注意ネットワーク(GDAN)という新しいアーキテクチャを提案する。 GDANは、細粒度のリスク関連特性を捉えるための次元レベルの注意機構を組み込んでいる。 金融シナリオにおけるGNN手法の解釈可能性について検討し、GDAN-DistShiftと呼ばれるGDANのためのデータ中心の説明器を提案する。
  論文  参考訳（メタデータ） (2024-07-16T11:24:28Z)
• Attention-based Dynamic Multilayer Graph Neural Networks for Loan Default Prediction [4.0990577062436815]
  グラフニューラルネットワークとリカレントニューラルネットワークから構築した動的多層ネットワークを利用した信用リスク評価モデルを提案する。 我々は、米国住宅ローン金融業者のFreddie Macが提供したデータセットを用いて、行動信用評価の文脈で方法論を検証した。
  論文  参考訳（メタデータ） (2024-02-01T03:20:53Z)
• Cooperative Network Learning for Large-Scale and Decentralized Graphs [7.628975821850447]
  協調ネットワーク学習(CNL)フレームワークを導入し,グラフタスクに対するセキュアなグラフ計算を実現する。 CNLは、GNNコンピューティングのローカルおよびグローバルな視点と、エージェンシーのための分散データを統合する。 このフレームワークは、グラフ関連の研究におけるプライバシー問題に対処し、分散化されたグラフデータ構造を統合することを願っている。
  論文  参考訳（メタデータ） (2023-11-03T02:56:01Z)
• Company-as-Tribe: Company Financial Risk Assessment on Tribe-Style Graph with Hierarchical Graph Neural Networks [62.94317686301643]
  企業の金融リスクはユビキタスであり、上場企業に対する早期のリスク評価は、かなりの損失を避けることができる。 従来の手法は主に企業の財務諸表に重点を置いており、企業間の複雑な関係は欠如している。 比較学習を用いて部族の構造パターンを符号化する階層型グラフニューラルネット(TH-GNN)と、トライブ間の関係に基づいて情報を拡散する第2の階層型グラフニューラルネット(TH-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-01-31T09:17:13Z)
• TrustGNN: Graph Neural Network based Trust Evaluation via Learnable Propagative and Composable Nature [63.78619502896071]
  信頼評価は、サイバーセキュリティ、ソーシャルコミュニケーション、レコメンダシステムなど、多くのアプリケーションにとって重要である。 本稿では,信頼グラフの伝播性および構成性を考慮した新しい信頼評価手法TrustGNNを提案する。 具体的には、TrustGNNは、異なる伝播過程のための特定の伝播パターンを設計し、新しい信頼を生み出すための異なる伝播過程の貢献を区別する。
  論文  参考訳（メタデータ） (2022-05-25T13:57:03Z)
• A Comprehensive Survey on Trustworthy Graph Neural Networks: Privacy, Robustness, Fairness, and Explainability [59.80140875337769]
  グラフニューラルネットワーク(GNN)は近年,急速な発展を遂げている。 GNNは個人情報をリークしたり、敵対的攻撃に弱いり、トレーニングデータから社会的バイアスを継承したり、拡大したりすることができる。 本稿では、プライバシー、堅牢性、公正性、説明可能性の計算面におけるGNNの包括的調査を行う。
  論文  参考訳（メタデータ） (2022-04-18T21:41:07Z)
• 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)
• On the combination of graph data for assessing thin-file borrowers' creditworthiness [0.0]
  複数のグラフ表現学習手法をブレンドすることで信用スコアリングモデルを改善する枠組みを導入する。 我々はこの枠組みを,ラテンアメリカの人口全体の関係と信用履歴を特徴付けるユニークなデータセットを用いて検証した。 利回りがはるかに高いコーポレート融資では、非銀行企業の評価が単にその特徴を考慮できないことを確認している。
  論文  参考訳（メタデータ） (2021-11-26T18:45:23Z)
• 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)
• Every Corporation Owns Its Image: Corporate Credit Ratings via Convolutional Neural Networks [2.867517731896504]
  企業の信用格付けを予測するため,従来の機械学習モデルの性能を分析した。 本稿では,畳み込みニューラルネットワーク(CCR-CNN)を用いた新しいエンド・ツー・エンド手法,コーポレート・クレジット・レーティングを提案する。 CCR-CNNは最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2020-12-03T01:01:34Z)
• Neural Network-based Automatic Factor Construction [58.96870869237197]
  本稿ではニューラルネットワークを用いた自動ファクタ構築(NNAFC)を提案する。 NNAFCは、金融分野の知識に基づいて、様々な金融要因を自動構築することができる。 NNAFCによって構築された新しい要因は、常にリターン、シャープ比、多要素量的投資戦略の最大引き出しを改善することができる。
  論文  参考訳（メタデータ） (2020-08-14T07:44:49Z)

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。