論文の概要: Company-as-Tribe: Company Financial Risk Assessment on Tribe-Style Graph with Hierarchical Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2301.13492v1
• Date: Tue, 31 Jan 2023 09:17:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-01 17:05:35.138041
• Title: Company-as-Tribe: Company Financial Risk Assessment on Tribe-Style Graph with Hierarchical Graph Neural Networks
• Title（参考訳）: 企業間Tribe:階層型グラフニューラルネットワークを用いたトライブスタイルグラフの企業財務リスク評価
• Authors: Wendong Bi, Bingbing Xu, Xiaoqian Sun, Zidong Wang, Huawei Shen, Xueqi Cheng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 62.94317686301643
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Company financial risk is ubiquitous and early risk assessment for listed companies can avoid considerable losses. Traditional methods mainly focus on the financial statements of companies and lack the complex relationships among them. However, the financial statements are often biased and lagged, making it difficult to identify risks accurately and timely. To address the challenges, we redefine the problem as \textbf{company financial risk assessment on tribe-style graph} by taking each listed company and its shareholders as a tribe and leveraging financial news to build inter-tribe connections. Such tribe-style graphs present different patterns to distinguish risky companies from normal ones. However, most nodes in the tribe-style graph lack attributes, making it difficult to directly adopt existing graph learning methods (e.g., Graph Neural Networks(GNNs)). In this paper, we propose a novel Hierarchical Graph Neural Network (TH-GNN) for Tribe-style graphs via two levels, with the first level to encode the structure pattern of the tribes with contrastive learning, and the second level to diffuse information based on the inter-tribe relations, achieving effective and efficient risk assessment. Extensive experiments on the real-world company dataset show that our method achieves significant improvements on financial risk assessment over previous competing methods. Also, the extensive ablation studies and visualization comprehensively show the effectiveness of our method.
• Abstract（参考訳）: 企業の金融リスクはユビキタスであり、上場企業の早期のリスク評価は大きな損失を避けることができる。 伝統的な手法は主に企業の財務諸表に焦点を当て、両者の複雑な関係を欠いている。 しかし、財務諸表はしばしば偏りや遅れがあり、正確にかつタイムリーにリスクを特定することは困難である。 課題に対処するために、我々は、各上場企業とその株主を部族として、金融ニュースを利用して部族間接続を構築することにより、問題を \textbf{company financial risk assessment on tribe-style graph} として再定義する。 このような部族的なグラフは、リスクの高い企業と普通の企業を区別するための異なるパターンを示す。 しかし、部族型グラフのほとんどのノードは属性を欠いているため、既存のグラフ学習手法を直接採用することは困難である(グラフニューラルネットワーク(GNN)など)。 本稿では,2つの階層型グラフのための階層型グラフニューラルネットワーク (th-gnn) を提案する。第1レベルは対照学習による部族の構造パターンを符号化し,第2レベルは部族間関係に基づく情報を拡散し,効果的かつ効率的なリスク評価を実現する。 実世界の企業データセットに対する大規模な実験により,従来の競合手法に比べて,金融リスク評価の大幅な改善が達成された。 また,本手法の有効性を包括的に示すため,広範なアブレーション研究と可視化を行った。

関連論文リスト

• 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)
• Evaluating Financial Relational Graphs: Interpretation Before Prediction [4.421486904657393]
  本稿では,S&P500指数に基づくSPNewsデータセットを導入し,動的関係グラフの構築を容易にする。 歴史的金融現象を説明するために関係グラフを用いて,グラフニューラルネットワークを構築する前にその妥当性を評価する。 評価手法は, 様々な財務関係グラフを効果的に区別し, より解釈可能な結果が得られる。
  論文  参考訳（メタデータ） (2024-09-28T22:43:00Z)
• Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
  グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。 コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
  論文  参考訳（メタデータ） (2024-07-15T16:12:51Z)
• Temporal and Heterogeneous Graph Neural Network for Financial Time Series Prediction [14.056579711850578]
  金融時系列における価格変動の動的関係を学習するための時間的・不均一なグラフニューラルネットワーク(THGNN)アプローチを提案する。 われわれは米国と中国における株式市場に関する広範な実験を行っている。
  論文  参考訳（メタデータ） (2023-05-09T11:17:46Z)
• FairGen: Towards Fair Graph Generation [76.34239875010381]
  フェアネスを考慮したグラフ生成モデルFairGenを提案する。 我々のモデルはラベルインフォームドグラフ生成モジュールと公正表現学習モジュールを共同で訓練する。 Webベースのグラフを含む7つの実世界のデータセットの実験結果は、FairGenが最先端のグラフ生成モデルと同等のパフォーマンスを得ることを示した。
  論文  参考訳（メタデータ） (2023-03-30T23:30:42Z)
• 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)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• 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)
• Supporting Financial Inclusion with Graph Machine Learning and Super-App Alternative Data [63.942632088208505]
  スーパーアプリは、ユーザーとコマースの相互作用についての考え方を変えました。 本稿では,スーパーアプリ内のユーザ間のインタラクションの違いが,借り手行動を予測する新たな情報源となるかを検討する。
  論文  参考訳（メタデータ） (2021-02-19T15:13:06Z)

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。