論文の概要: DEDGAT: Dual Embedding of Directed Graph Attention Networks for
Detecting Financial Risk
- arxiv url: http://arxiv.org/abs/2303.03933v1
- Date: Mon, 6 Mar 2023 07:21:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-08 15:04:01.904728
- Title: DEDGAT: Dual Embedding of Directed Graph Attention Networks for
Detecting Financial Risk
- Title(参考訳): DEDGAT:金融リスク検出のための方向性グラフ注意ネットワークのデュアル埋め込み
- Authors: Jiafu Wu, Mufeng Yao, Dong Wu, Mingmin Chi, Baokun Wang, Ruofan Wu,
Xin Fu, Changhua Meng and Weiqiang Wang
- Abstract要約: グラフ表現は、ユーザ間の関係をグラフ形式で構築できる金融リスク制御の分野において重要な役割を果たす。
本稿では,DGATと呼ばれる指向グラフアテンションネットワークを提案する。
また,DEDGATと呼ばれるDGATの二重埋め込みを提案し,ノードの注意重みを計算した。
- 参考スコア(独自算出の注目度): 18.125726783316576
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Graph representation plays an important role in the field of financial risk
control, where the relationship among users can be constructed in a graph
manner. In practical scenarios, the relationships between nodes in risk control
tasks are bidirectional, e.g., merchants having both revenue and expense
behaviors. Graph neural networks designed for undirected graphs usually
aggregate discriminative node or edge representations with an attention
strategy, but cannot fully exploit the out-degree information when used for the
tasks built on directed graph, which leads to the problem of a directional
bias. To tackle this problem, we propose a Directed Graph ATtention network
called DGAT, which explicitly takes out-degree into attention calculation. In
addition to having directional requirements, the same node might have different
representations of its input and output, and thus we further propose a dual
embedding of DGAT, referred to as DEDGAT. Specifically, DEDGAT assigns
in-degree and out-degree representations to each node and uses these two
embeddings to calculate the attention weights of in-degree and out-degree
nodes, respectively. Experiments performed on the benchmark datasets show that
DGAT and DEDGAT obtain better classification performance compared to undirected
GAT. Also,the visualization results demonstrate that our methods can fully use
both in-degree and out-degree information.
- Abstract(参考訳): グラフ表現は、ユーザ間の関係をグラフ形式で構築できる金融リスク制御の分野において重要な役割を果たす。
現実的なシナリオでは、リスク管理タスクにおけるノード間の関係は双方向である。
非向グラフ用に設計されたグラフニューラルネットワークは、通常、注意戦略で識別ノードやエッジ表現を集約するが、指向性グラフに構築されたタスクに使用する場合、外部情報を完全に活用することはできない。
この問題に対処するために、DGATと呼ばれる、注意度を明示的に計算するダイレクトグラフアテンションネットワークを提案する。
方向性要求に加えて、同じノードが入力と出力の異なる表現を持つ可能性があるため、DEDGATと呼ばれるDGATの二重埋め込みも提案する。
具体的には、DEDGATは各ノードにインディグリー表現とアウトディグリー表現を割り当て、これら2つの埋め込みを使用してそれぞれインディグリーノードとアウトディグリーノードのアテンションウェイトを算出する。
ベンチマークデータセットを用いて行った実験により、DGATとDEDGATは非指向性GATよりも優れた分類性能が得られることが示された。
また, 可視化結果から, 本手法は, 内外情報と外外情報の両方を十分に活用できることが示される。
関連論文リスト
- DPGAN: A Dual-Path Generative Adversarial Network for Missing Data Imputation in Graphs [17.847551850315895]
本稿では,DPGAN(Dual-Pathrative Adversarial Network)と呼ばれる新しいフレームワークを提案する。
DPGANは、欠落したデータと同時に処理し、過度にスムースな問題を回避することができる。
さまざまなベンチマークデータセットにわたる総合的な実験は、DPGANが既存の最先端の計算アルゴリズムよりも優れていなくても、一貫して競合していることを裏付けている。
論文 参考訳(メタデータ) (2024-04-26T05:26:10Z) - Domain Adaptive Graph Classification [0.0]
本稿では,グラフトポロジを二分枝から探索し,二分枝学習による領域差を緩和するDual Adversarial Graph Representation Learning(DAGRL)を提案する。
提案手法では,適応的な摂動を二重分岐に組み込み,ソースとターゲット分布をドメインの整合性に対応させる。
論文 参考訳(メタデータ) (2023-12-21T02:37:56Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳(メタデータ) (2023-07-28T00:44:57Z) - Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文 参考訳(メタデータ) (2023-03-14T20:35:45Z) - You Only Transfer What You Share: Intersection-Induced Graph Transfer
Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。
より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。
この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文 参考訳(メタデータ) (2023-02-27T22:56:06Z) - GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。
本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2022-03-24T02:58:36Z) - Asymmetric Graph Representation Learning [13.195785825237621]
情報フローが非対称であり、有向グラフにつながる膨大なアプリケーション。
有向エッジは、情報はスタートノードからエンドノードまでしか転送できないが、後方には転送できないことを示す。
このような一方的な情報伝達を取り入れたグラフ解析のための,シンプルかつ極めて効果的なフレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-14T15:03:18Z) - Self-supervised Consensus Representation Learning for Attributed Graph [15.729417511103602]
グラフ表現学習に自己教師付き学習機構を導入する。
本稿では,新しい自己教師型コンセンサス表現学習フレームワークを提案する。
提案手法はトポロジグラフと特徴グラフの2つの視点からグラフを扱う。
論文 参考訳(メタデータ) (2021-08-10T07:53:09Z) - Distance Encoding: Design Provably More Powerful Neural Networks for
Graph Representation Learning [63.97983530843762]
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大きな成功を収めている。
GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。
より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。
本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文 参考訳(メタデータ) (2020-08-31T23:15:40Z) - Graph Representation Learning Network via Adaptive Sampling [4.996520403438455]
Graph Attention Network(GAT)とGraphSAGEは、グラフ構造化データを操作するニューラルネットワークアーキテクチャである。
GraphSAGEが提起した課題のひとつは、グラフ構造に基づいた隣の機能をスマートに組み合わせる方法だ。
より効率的で,異なるエッジ型情報を組み込むことが可能な,これらの問題に対処する新しいアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-06-08T14:36:20Z) - Graph Representation Learning via Graphical Mutual Information
Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。
我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文 参考訳(メタデータ) (2020-02-04T08:33:49Z)
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。