論文の概要: Prediction of Bank Credit Ratings using Heterogeneous Topological Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2506.06293v1
• Date: Sat, 17 May 2025 13:49:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 03:13:19.026358
• Title: Prediction of Bank Credit Ratings using Heterogeneous Topological Graph Neural Networks
• Title（参考訳）: 不均一なトポロジカルグラフニューラルネットワークを用いた銀行信用格付け予測
• Authors: Junyi Liu, Stanley Kok,
• Abstract要約: 本研究は、持続的ホモロジーを利用して、銀行間の関係を捉えるネットワークを構築し、これを従来の貸与ネットワークと組み合わせ、異種ネットワークを構築する。 グローバルな実世界のデータセットの実験は、HTGNNの有効性を検証する。 本研究は、積極的なリスク軽減と効果的な市場介入の実施を促進するために、投資家や規制機関に影響を及ぼす。
• 参考スコア（独自算出の注目度）: 2.7613060052810914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agencies such as Standard & Poor's and Moody's provide bank credit ratings that influence economic stability and decision-making by stakeholders. Accurate and timely predictions support informed decision-making, regulatory actions, and investor protection. However, a complete interbank connection graph is often unavailable due to privacy concerns, complicating the direct application of Graph Neural Networks (GNNs) for rating prediction. our research utilizes persistent homology to construct a network that captures relationships among banks and combines this with a traditional lending network to create a heterogeneous network that integrates information from both sources, leading to improved predictions. Experiments on a global, real-world dataset validate the effectiveness of HTGNN. This research has implications for investors and regulatory bodies in enhancing proactive risk mitigation and the implementation of effective market interventions.The code can be find at https://github.com/Liu-Jun-Yi/HTGNN.
• Abstract（参考訳）: Standard & Poor'sやMoody'sのような機関は、経済の安定と利害関係者による意思決定に影響を与える信用格付けを提供する。 正確かつタイムリーな予測は、情報的意思決定、規制行動、投資家保護をサポートする。 しかしながら、完全なバンク間接続グラフは、プライバシー上の懸念のために利用できないことが多く、レーティング予測にグラフニューラルネットワーク(GNN)を直接適用することが難しい。 我々の研究は、永続的ホモロジーを利用して、銀行間の関係を捉えるネットワークを構築し、これを従来の貸付ネットワークと組み合わせて、両方の情報源の情報を統合する異種ネットワークを作成し、予測を改善します。 グローバルな実世界のデータセットの実験は、HTGNNの有効性を検証する。 本研究は、積極的なリスク軽減と効果的な市場介入の実施に投資家や規制機関が関与しており、このコードはhttps://github.com/Liu-Jun-Yi/HTGNNで見ることができる。

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)
• Uncertainty in Graph Neural Networks: A Survey [47.785948021510535]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• Attention-based Dynamic Multilayer Graph Neural Networks for Loan Default Prediction [4.0990577062436815]
  グラフニューラルネットワークとリカレントニューラルネットワークから構築した動的多層ネットワークを利用した信用リスク評価モデルを提案する。 我々は、米国住宅ローン金融業者のFreddie Macが提供したデータセットを用いて、行動信用評価の文脈で方法論を検証した。
  論文  参考訳（メタデータ） (2024-02-01T03:20:53Z)
• Unraveling Privacy Risks of Individual Fairness in Graph Neural Networks [66.0143583366533]
  グラフニューラルネットワーク(GNN)は、その拡張現実の応用により、大きな注目を集めている。 信頼できるGNNを構築するためには、公平性とプライバシという2つの側面が重要な考慮事項として浮上している。 これまでの研究では、GNNの公平性とプライバシの側面を別々に検討し、GNNのパフォーマンスとのトレードオフを明らかにしている。 しかし、この2つの側面の相互作用は未解明のままである。
  論文  参考訳（メタデータ） (2023-01-30T14:52:23Z)
• A Comprehensive Survey on Trustworthy Graph Neural Networks: Privacy, Robustness, Fairness, and Explainability [59.80140875337769]
  グラフニューラルネットワーク(GNN)は近年,急速な発展を遂げている。 GNNは個人情報をリークしたり、敵対的攻撃に弱いり、トレーニングデータから社会的バイアスを継承したり、拡大したりすることができる。 本稿では、プライバシー、堅牢性、公正性、説明可能性の計算面におけるGNNの包括的調査を行う。
  論文  参考訳（メタデータ） (2022-04-18T21:41:07Z)
• 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)
• Every Corporation Owns Its Structure: Corporate Credit Ratings via Graph Neural Networks [2.7910505923792637]
  本稿では,グラフニューラルネットワークを用いた企業信用評価モデルCCR-GNNを提案する。 まず、まず、セルフアウトの製品に基づいて各企業の個々のグラフを構築し、次に、GNNを使用して機能相互作用を明示的にモデル化する。 中国の上場企業評価データセットで実施された実験は、CCR-GNNが最先端の手法を一貫して上回っていることを証明している。
  論文  参考訳（メタデータ） (2020-11-27T02:57:14Z)
• Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
  従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
  論文  参考訳（メタデータ） (2020-05-09T01:32:03Z)
• Linking Bank Clients using Graph Neural Networks Powered by Rich Transactional Data [2.1169216065483996]
  本稿では,ネットワークのトポロジ構造だけでなく,グラフノードやエッジで利用可能な豊富な時系列データを利用する新しいグラフニューラルネットワークモデルを提案する。 提案手法は既存の手法よりも優れており,リンク予測問題におけるROC AUCスコアの差が大きく,信用スコアの質の向上も可能である。
  論文  参考訳（メタデータ） (2020-01-23T10:02:02Z)

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。