論文の概要: Heterogeneous Graph Pre-training Based Model for Secure and Efficient Prediction of Default Risk Propagation among Bond Issuers

• arxiv url: http://arxiv.org/abs/2501.03268v1
• Date: Sat, 04 Jan 2025 11:10:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:50:28.823006
• Title: Heterogeneous Graph Pre-training Based Model for Secure and Efficient Prediction of Default Risk Propagation among Bond Issuers
• Title（参考訳）: 不均一グラフ事前学習モデルによる債券発行者間のデフォルトリスク伝播の安全かつ効率的な予測
• Authors: Xurui Li, Xin Shan, Wenhao Yin, Haijiao Wang,
• Abstract要約: 本稿では、債券発行企業におけるデフォルトリスクの効率的な予測のための新しい2段階モデルを提案する。 第一段階では、革新的なMasked Autoencoders for Heterogeneous Graph (HGMAE)を用いて、巨大な企業知識グラフの事前トレーニングを行います。 第2段階では、デフォルトのリスク伝搬確率を予測するために、特殊分類器モデルを訓練する。
• 参考スコア（独自算出の注目度）: 1.737435659602194
• License:
• Abstract: Efficient prediction of default risk for bond-issuing enterprises is pivotal for maintaining stability and fostering growth in the bond market. Conventional methods usually rely solely on an enterprise's internal data for risk assessment. In contrast, graph-based techniques leverage interconnected corporate information to enhance default risk identification for targeted bond issuers. Traditional graph techniques such as label propagation algorithm or deepwalk fail to effectively integrate a enterprise's inherent attribute information with its topological network data. Additionally, due to data scarcity and security privacy concerns between enterprises, end-to-end graph neural network (GNN) algorithms may struggle in delivering satisfactory performance for target tasks. To address these challenges, we present a novel two-stage model. In the first stage, we employ an innovative Masked Autoencoders for Heterogeneous Graph (HGMAE) to pre-train on a vast enterprise knowledge graph. Subsequently, in the second stage, a specialized classifier model is trained to predict default risk propagation probabilities. The classifier leverages concatenated feature vectors derived from the pre-trained encoder with the enterprise's task-specific feature vectors. Through the two-stage training approach, our model not only boosts the importance of unique bond characteristics for specific default prediction tasks, but also securely and efficiently leverage the global information pre-trained from other enterprises. Experimental results demonstrate that our proposed model outperforms existing approaches in predicting default risk for bond issuers.
• Abstract（参考訳）: 債券発行企業のデフォルトリスクの効率的な予測は、安定性を維持し、債券市場の成長を促進するために重要である。 従来の手法は通常、企業の内部データのみをリスク評価に頼っている。 対照的に、グラフベースの手法は、相互接続された企業情報を活用し、ターゲットの債券発行者に対するデフォルトのリスク識別を強化する。 ラベル伝搬アルゴリズムやディープウォークのような従来のグラフ技術は、企業固有の属性情報をそのトポロジ的ネットワークデータと効果的に統合することができない。 さらに、企業間のデータ不足とセキュリティプライバシの懸念により、エンドツーエンドグラフニューラルネットワーク(GNN)アルゴリズムは、ターゲットタスクに満足なパフォーマンスを提供するのに苦労する可能性がある。 これらの課題に対処するため、我々は新しい2段階モデルを提案する。 第一段階では、革新的なMasked Autoencoders for Heterogeneous Graph (HGMAE)を用いて、巨大な企業知識グラフの事前トレーニングを行います。 その後、第2段階では、デフォルトのリスク伝搬確率を予測するために、特殊分類器モデルを訓練する。 分類器は、事前訓練されたエンコーダから派生した連結された特徴ベクトルと、企業のタスク固有の特徴ベクトルを利用する。 2段階のトレーニングアプローチを通じて,本モデルは,特定のデフォルト予測タスクにおいて,ユニークな結合特性の重要性を高めるだけでなく,他の企業から事前学習したグローバル情報を安全かつ効率的に活用する。 実験の結果,提案手法は債券発行者に対する既定リスク予測において,既存手法よりも優れていることが示された。

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)
• Convergence-aware Clustered Federated Graph Learning Framework for Collaborative Inter-company Labor Market Forecasting [38.13767335441753]
  人材需要と供給を予測する労働市場は、経営管理と経済発展に不可欠である。 従来の研究では、変動を予測するために、異なる企業間の需要供給シーケンス間の相互接続を無視していた。 本稿では,メタパーソナライズされた収束型クラスタ型フェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-29T04:11:23Z)
• Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
  GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。 異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
  論文  参考訳（メタデータ） (2023-12-18T05:42:31Z)
• One-Shot Federated Learning with Classifier-Guided Diffusion Models [44.604485649167216]
  ワンショット・フェデレーション・ラーニング (OSFL) は, 通信コストの低さから近年注目されている。 本稿では,OSFLに拡散モデルがもたらす新たな機会を探求し,FedCADOを提案する。 FedCADOはクライアントのディストリビューションに準拠したデータを生成し、その後、サーバ上で集約されたモデルをトレーニングします。
  論文  参考訳（メタデータ） (2023-11-15T11:11:25Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
  本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。 結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-17T00:28:33Z)
• Company-as-Tribe: Company Financial Risk Assessment on Tribe-Style Graph with Hierarchical Graph Neural Networks [62.94317686301643]
  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。
  論文  参考訳（メタデータ） (2023-01-31T09:17:13Z)
• FedGen: Generalizable Federated Learning for Sequential Data [8.784435748969806]
  多くの実世界の分散環境では、バイアスとデータサンプリングの問題により、急激な相関が存在する。 我々はFedGenという汎用的なフェデレーション学習フレームワークを提案し、クライアントが素早い特徴と不変な特徴を識別および識別できるようにする。 FedGenは、より優れた一般化を実現し、現在のフェデレーション学習手法の精度を24%以上上回るモデルが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-03T15:48:14Z)
• FisrEbp: Enterprise Bankruptcy Prediction via Fusing its Intra-risk and Spillover-Risk [4.369823783549928]
  LSTMベースのリスク内エンコーダとGNNベースのリスク外乱エンコーダを備える新しい手法を提案する。 リスク内エンコーダは、基本業務情報と訴訟情報から統計相関指標を用いて、企業内リスクを捕捉することができる。 流出リスクエンコーダはハイパーグラフニューラルネットワークとヘテロジニアスグラフニューラルネットワークからなる。
  論文  参考訳（メタデータ） (2022-02-01T04:28:48Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)

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。