論文の概要: Unveiling the Potential of Graph Neural Networks in SME Credit Risk Assessment

• arxiv url: http://arxiv.org/abs/2409.17909v1
• Date: Mon, 23 Sep 2024 22:41:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-28 17:03:54.345904
• Title: Unveiling the Potential of Graph Neural Networks in SME Credit Risk Assessment
• Title（参考訳）: SME信用リスクにおけるグラフニューラルネットワークの可能性 評価
• Authors: Bingyao Liu, Iris Li, Jianhua Yao, Yuan Chen, Guanming Huang, Jiajing Wang
• Abstract要約: 本稿では、グラフニューラルネットワークを技術的枠組みとして捉え、企業財務指標間の本質的な関係を統合し、企業信用リスク評価モデルを提案する。
• 参考スコア（独自算出の注目度）: 7.33330721560182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper takes the graph neural network as the technical framework, integrates the intrinsic connections between enterprise financial indicators, and proposes a model for enterprise credit risk assessment. The main research work includes: Firstly, based on the experience of predecessors, we selected 29 enterprise financial data indicators, abstracted each indicator as a vertex, deeply analyzed the relationships between the indicators, constructed a similarity matrix of indicators, and used the maximum spanning tree algorithm to achieve the graph structure mapping of enterprises; secondly, in the representation learning phase of the mapped graph, a graph neural network model was built to obtain its embedded representation. The feature vector of each node was expanded to 32 dimensions, and three GraphSAGE operations were performed on the graph, with the results pooled using the Pool operation, and the final output of three feature vectors was averaged to obtain the graph's embedded representation; finally, a classifier was constructed using a two-layer fully connected network to complete the prediction task. Experimental results on real enterprise data show that the model proposed in this paper can well complete the multi-level credit level estimation of enterprises. Furthermore, the tree-structured graph mapping deeply portrays the intrinsic connections of various indicator data of the company, and according to the ROC and other evaluation criteria, the model's classification effect is significant and has good "robustness".
• Abstract（参考訳）: 本稿では、グラフニューラルネットワークを技術的枠組みとして捉え、企業財務指標間の本質的な関係を統合し、企業信用リスク評価モデルを提案する。 まず、前者の経験に基づいて、29の企業財務データ指標を選択し、各指標を頂点として抽象化し、指標間の関係を深く分析し、指標の類似性行列を構築し、最大スパンニング木アルゴリズムを用いて企業のグラフ構造マッピングを実現し、第二に、マッピングされたグラフの表現学習フェーズにおいて、グラフニューラルネットワークモデルを構築し、その埋め込み表現を得た。 各ノードの特徴ベクトルは32次元に拡張され、3つのGraphSAGE演算がグラフ上で実行され、結果がプール演算によってプールされ、3つの特徴ベクトルの最終出力がグラフの埋め込み表現を得るために平均化され、最後に2層完全連結ネットワークを用いて分類器が構築され、予測タスクが完了した。 実企業データを用いた実験結果から,本論文で提案したモデルは,企業のマルチレベル信用レベル推定を十分に達成できることが示唆された。 さらに、木構造グラフマッピングは、会社の様々な指標データの本質的な関係を深く描き、ROCや他の評価基準により、モデルの分類効果は重要であり、良好な「損益性」を有する。

関連論文リスト

• Graph Neural Network-Based Entity Extraction and Relationship Reasoning in Complex Knowledge Graphs [1.5998200006932823]
  本研究では,グラフニューラルネットワークに基づく知識グラフ実体抽出と関係推論アルゴリズムを提案する。 本稿では、エンドツーエンドのジョイントモデルを構築することにより、エンティティと関係の効率的な認識と推論を実現する。
  論文  参考訳（メタデータ） (2024-11-19T16:23:49Z)
• Semantic Graph Neural Network with Multi-measure Learning for Semi-supervised Classification [5.000404730573809]
  近年,グラフニューラルネットワーク(GNN)が注目されている。 近年の研究では、GNNはグラフの複雑な基盤構造に弱いことが示されている。 半教師付き分類のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-04T06:17:11Z)
• GraphDCA -- a Framework for Node Distribution Comparison in Real and Synthetic Graphs [72.51835626235368]
  2つのグラフを比較するとき、ノード構造的特徴の分布は、グローバルグラフ統計よりも有益である、と我々は主張する。 本稿では,各ノード表現セットのアライメントに基づいてグラフ間の類似性を評価するフレームワークGraphDCAを提案する。
  論文  参考訳（メタデータ） (2022-02-08T14:19:19Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Spectral Embedding of Graph Networks [76.27138343125985]
  ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。 埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
  論文  参考訳（メタデータ） (2020-09-30T04:59:10Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• Adaptive Graph Convolutional Network with Attention Graph Clustering for Co-saliency Detection [35.23956785670788]
  注目グラフクラスタリング(GCAGC)を用いた新しい適応グラフ畳み込みネットワークを提案する。 注意グラフクラスタリングアルゴリズムを開発し、教師なしの方法で全前景オブジェクトから共通オブジェクトを識別する。 提案手法を3つのコサリエンシ検出ベンチマークデータセット上で評価した。
  論文  参考訳（メタデータ） (2020-03-13T09:35:59Z)
• 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。