論文の概要: Financial Default Prediction via Motif-preserving Graph Neural Network
with Curriculum Learning
- arxiv url: http://arxiv.org/abs/2403.06482v1
- Date: Mon, 11 Mar 2024 07:44:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-12 20:01:51.114452
- Title: Financial Default Prediction via Motif-preserving Graph Neural Network
with Curriculum Learning
- Title（参考訳）: カリキュラム学習を用いたモチーフ保存グラフニューラルネットワークによる金融デフォルト予測
- Authors: Daixin Wang, Zhiqiang Zhang, Yeyu Zhao, Kai Huang, Yulin Kang, Jun
Zhou
- Abstract要約: 本稿では,カリキュラム学習(MotifGNN)を用いたモチーフ保存型グラフニューラルネットワークを提案する。
元のグラフから得られた情報と良好な接続性を利用して、高階構造の学習を強化する。
- 参考スコア（独自算出の注目度）: 14.646773417133064
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: User financial default prediction plays a critical role in credit risk
forecasting and management. It aims at predicting the probability that the user
will fail to make the repayments in the future. Previous methods mainly extract
a set of user individual features regarding his own profiles and behaviors and
build a binary-classification model to make default predictions. However, these
methods cannot get satisfied results, especially for users with limited
information. Although recent efforts suggest that default prediction can be
improved by social relations, they fail to capture the higher-order topology
structure at the level of small subgraph patterns. In this paper, we fill in
this gap by proposing a motif-preserving Graph Neural Network with curriculum
learning (MotifGNN) to jointly learn the lower-order structures from the
original graph and higherorder structures from multi-view motif-based graphs
for financial default prediction. Specifically, to solve the problem of weak
connectivity in motif-based graphs, we design the motif-based gating mechanism.
It utilizes the information learned from the original graph with good
connectivity to strengthen the learning of the higher-order structure. And
considering that the motif patterns of different samples are highly unbalanced,
we propose a curriculum learning mechanism on the whole learning process to
more focus on the samples with uncommon motif distributions. Extensive
experiments on one public dataset and two industrial datasets all demonstrate
the effectiveness of our proposed method.
- Abstract（参考訳）: ユーザ財務のデフォルト予測は、信用リスクの予測と管理において重要な役割を果たす。
これは、ユーザーが将来その返済に失敗する確率を予測することを目的としている。
以前の方法では主に、自身のプロファイルと振る舞いに関するユーザ個々の機能セットを抽出し、デフォルトの予測を行うバイナリ分類モデルを構築する。
しかし,これらの手法は,特に限られた情報を持つユーザに対しては,満足な結果を得ることができない。
近年、社会的関係によってデフォルト予測が改善される可能性が示唆されているが、それらは小さな部分グラフパターンのレベルで高次トポロジ構造を捉えられていない。
本稿では,モチーフ保存型グラフニューラルネットワークとカリキュラム学習(motifgnn)を併用して,原グラフから低次構造と多視点モチーフに基づくグラフから高次構造を共同学習し,金銭的デフォルト予測を行うことにより,このギャップを埋める。
具体的には,モチーフベースグラフにおける弱い接続性の問題を解決するために,モチーフベースのゲーティング機構を設計する。
元のグラフから得られた情報を良い接続性で活用し、高次構造の学習を強化する。
また,異なるサンプルのモチーフパターンが高度にバランスしていないことを考慮し,不規則なモチーフ分布を持つサンプルに着目した学習過程全体のカリキュラム学習機構を提案する。
1つの公開データセットと2つの産業データセットに関する広範囲な実験により,提案手法の有効性が実証された。
関連論文リスト
- A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。
具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。
文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
論文 参考訳（メタデータ） (2024-10-25T02:39:56Z) - Graph Deep Learning for Time Series Forecasting [28.30604130617646]
グラフに基づくディープラーニング手法は,関連時系列のコレクションを処理するツールとして人気を博している。
本稿では,予測問題を形式化し,グラフに基づく予測モデルの設計原則と,その性能評価手法を提供する包括的方法論フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-24T16:26:38Z) - Globally Interpretable Graph Learning via Distribution Matching [12.885580925389352]
我々は、まだ十分に研究されていない重要な質問に答えることを目指している。グラフ学習手順のグローバルな解釈を提供するには、どうすればよいのか?
我々は,この問題を,学習過程を支配する高レベルかつ人間の知能なパターンを蒸留することを目的とした,グローバルな解釈可能なグラフ学習として定式化する。
本稿では,解釈に基づいて学習したモデルの忠実度を評価するために,新しいモデル忠実度尺度を提案する。
論文 参考訳（メタデータ） (2023-06-18T00:50:36Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - SMiLE: Schema-augmented Multi-level Contrastive Learning for Knowledge
Graph Link Prediction [28.87290783250351]
リンク予測は、知識グラフにおけるエンティティ間の欠落したリンクを推測するタスクである。
本稿では,知識グラフリンク予測を行うための新しいマルチレベルコントラスト学習フレームワーク(SMiLE)を提案する。
論文 参考訳（メタデータ） (2022-10-10T17:40:19Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - Self-Supervised Representation Learning via Latent Graph Prediction [41.64774038444827]
グラフニューラルネットワークの自己教師付き学習(SSL)は、ラベルのないデータを活用するための有望な方法として浮上している。
ラグラフ(LaGraph)は、遅延グラフ予測に基づく理論的に基礎付けられた予測型SSLフレームワークである。
実験結果から,LaGraphの性能向上と,グラフレベルとノードレベルの両方のタスクにおけるトレーニングサンプルサイズ削減に対する堅牢性を示す。
論文 参考訳（メタデータ） (2022-02-16T21:10:33Z) - Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。
本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
論文 参考訳（メタデータ） (2022-02-07T08:04:59Z) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳（メタデータ） (2021-02-14T05:28:13Z) - 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。