Fugu-MT 論文翻訳(概要): A Review on Graph Neural Network Methods in Financial Applications

論文の概要: A Review on Graph Neural Network Methods in Financial Applications

arxiv url: http://arxiv.org/abs/2111.15367v1
Date: Sat, 27 Nov 2021 02:52:10 GMT
ステータス: 処理完了
システム内更新日: 2021-12-04 16:39:01.217682
Title: A Review on Graph Neural Network Methods in Financial Applications
Title（参考訳）: 金融分野におけるグラフニューラルネットワーク手法の展望
Authors: Jianian Wang, Sheng Zhang, Yanghua Xiao, Rui Song
Abstract要約: 本稿では、近年の金融状況におけるグラフニューラルネットワーク(GNN)モデルの概要について概観する。まず、一般的に使われている金融グラフを分類し、各ノードの特徴処理ステップを要約する。次に,グラフタイプ毎のGNN手法を要約し,いくつかの潜在的研究領域を提案する。
参考スコア（独自算出の注目度）: 21.625829792061673
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Keeping the individual features and the complicated relations, graph data are widely utilized and investigated. Being able to capture the structural information by updating and aggregating nodes' representations, graph neural network (GNN) models are gaining popularity. In the financial context, the graph is constructed based on real-world data, which leads to complex graph structure and thus requires sophisticated methodology. In this work, we provide a comprehensive review of GNN models in recent financial context. We first categorize the commonly-used financial graphs and summarize the feature processing step for each node. Then we summarize the GNN methodology for each graph type, application in each area, and propose some potential research areas.
Abstract（参考訳）: 個々の特徴と複雑な関係を保ちながら、グラフデータを広く利用し、研究している。ノードの表現を更新して集約することで構造情報をキャプチャできるため、グラフニューラルネットワーク(GNN)モデルが人気を集めている。財務的な文脈では、グラフは現実世界のデータに基づいて構築され、複雑なグラフ構造につながり、洗練された方法論を必要とする。本稿では,近年の財務状況におけるGNNモデルの包括的レビューを行う。まず、よく使われる財務グラフを分類し、各ノードの特徴処理ステップを要約する。次に,グラフタイプ毎のGNN手法を要約し,いくつかの潜在的研究領域を提案する。

関連論文リスト

Learning From Graph-Structured Data: Addressing Design Issues and Exploring Practical Applications in Graph Representation Learning [2.492884361833709]
グラフ表現学習とグラフニューラルネットワーク(GNN)の最近の進歩を概観する。グラフ構造化データを扱うように設計されたGNNは、複雑な関係情報から洞察と予測を引き出すのに長けている。我々の研究は、GNNの能力を掘り下げ、その基礎設計と現実の課題に対処するための応用について調べている。
論文参考訳（メタデータ） (2024-11-09T19:10:33Z)
Harnessing Collective Structure Knowledge in Data Augmentation for Graph Neural Networks [25.12261412297796]
グラフニューラルネットワーク(GNN)は,グラフ表現学習において最先端のパフォーマンスを達成した。我々は新しいアプローチ、すなわち集合構造知識強化グラフニューラルネットワーク(CoS-GNN)を提案する。
論文参考訳（メタデータ） (2024-05-17T08:50:00Z)
DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文参考訳（メタデータ） (2024-01-28T06:43:13Z)
DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文参考訳（メタデータ） (2023-05-22T10:29:52Z)
Graph-level Neural Networks: Current Progress and Future Directions [61.08696673768116]
グラフレベルのニューラルネットワーク(GLNN、ディープラーニングベースのグラフレベルの学習法)は、高次元データのモデリングにおいて優れているため、魅力的である。本稿では,深層ニューラルネットワーク,グラフニューラルネットワーク,グラフプール上でのGLNNを網羅する系統分類法を提案する。
論文参考訳（メタデータ） (2022-05-31T06:16:55Z)
Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文参考訳（メタデータ） (2022-05-15T11:38:14Z)
Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
論文参考訳（メタデータ） (2022-02-14T23:07:47Z)
A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文参考訳（メタデータ） (2020-10-05T04:57:18Z)
The Impact of Global Structural Information in Graph Neural Networks Applications [5.629161809575013]
グラフニューラルネットワーク(GNN)は、集約戦略を定義するためにグラフ構造に依存する。 GNNの既知の制限は、レイヤーの数が増加するにつれて情報がスムースになり、切り離されることである。いくつかのGNNモデルにグローバル情報へのアクセスを提供し、それが下流のパフォーマンスに与える影響を観察する。
論文参考訳（メタデータ） (2020-06-06T08:52:18Z)
Incomplete Graph Representation and Learning via Partial Graph Neural Networks [7.227805463462352]
多くのアプリケーションでは、グラフノードの属性が部分的に未知/欠落している不完全な形式でグラフがやってくる可能性がある。既存のGNNは、属性不完全なグラフデータを直接処理できない完全なグラフに基づいて設計されている。本研究では,属性不完全グラフ表現と学習のための部分グラフニューラルネットワーク(PaGNN)を新たに開発した。
論文参考訳（メタデータ） (2020-03-23T08:29:59Z)

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。