論文の概要: Relational Graph Modeling for Credit Default Prediction: Heterogeneous GNNs and Hybrid Ensemble Learning

• arxiv url: http://arxiv.org/abs/2601.14633v1
• Date: Wed, 21 Jan 2026 04:13:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.230796
• Title: Relational Graph Modeling for Credit Default Prediction: Heterogeneous GNNs and Hybrid Ensemble Learning
• Title（参考訳）: 信用デフォルト予測のための関係グラフモデリング:不均一GNNとハイブリッドアンサンブル学習
• Authors: Yvonne Yang, Eranki Vasistha,
• Abstract要約: 信用デフォルトのリスクは、借り手、金融機関、取引レベルの行動の間の複雑な相互作用から生じる。 我々は3300万のノードと5000万のエッジを含む大規模不均一グラフを構築した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Credit default risk arises from complex interactions among borrowers, financial institutions, and transaction-level behaviors. While strong tabular models remain highly competitive in credit scoring, they may fail to explicitly capture cross-entity dependencies embedded in multi-table financial histories. In this work, we construct a massive-scale heterogeneous graph containing over 31 million nodes and more than 50 million edges, integrating borrower attributes with granular transaction-level entities such as installment payments, POS cash balances, and credit card histories. We evaluate heterogeneous graph neural networks (GNNs), including heterogeneous GraphSAGE and a relation-aware attentive heterogeneous GNN, against strong tabular baselines. We find that standalone GNNs provide limited lift over a competitive gradient-boosted tree baseline, while a hybrid ensemble that augments tabular features with GNN-derived customer embeddings achieves the best overall performance, improving both ROC-AUC and PR-AUC. We further observe that contrastive pretraining can improve optimization stability but yields limited downstream gains under generic graph augmentations. Finally, we conduct structured explainability and fairness analyses to characterize how relational signals affect subgroup behavior and screening-oriented outcomes.
• Abstract（参考訳）: 信用デフォルトのリスクは、借り手、金融機関、取引レベルの行動の間の複雑な相互作用から生じる。 強力な表型モデルはクレジットスコアリングにおいて高い競争力を持つが、マルチテーブルの財務履歴に埋め込まれた相互依存の依存関係を明示的に捉えることに失敗する可能性がある。 本研究では,3300万以上のノードと5000万のエッジを含む大規模ヘテロジニアスグラフを構築し,借主属性をインストール支払い,POSキャッシュバランス,クレジットカード履歴などの粒度のトランザクションレベルエンティティに統合する。 我々は,グラフニューラルネットワーク(GNN)の評価を行った。 独立系GNNは,GNN由来のユーザ埋め込みで表層特徴を増強するハイブリッドアンサンブルは,ROC-AUCとPR-AUCの両性能を向上する。 さらに、対照的な事前学習は最適化の安定性を向上させることができるが、一般的なグラフ拡張の下では下流での利得が制限される。 最後に,リレーショナル信号がサブグループ行動やスクリーニング指向の結果にどのように影響するかを特徴付けるために,構造化された説明可能性と公正性分析を行う。

関連論文リスト

• A Community-Enhanced Graph Representation Model for Link Prediction [2.90890304148259]
  Community-Enhanced Link Prediction (CELP) フレームワークは、局所グラフトポロジとグローバルグラフトポロジを共同でモデル化するコミュニティ構造を組み込んでいる。 CELPは、リンク予測精度の向上において、コミュニティ構造の重要な役割を検証し、優れた性能を達成する。
  論文  参考訳（メタデータ） (2025-12-24T13:31:34Z)
• Topologically-Stabilized Graph Neural Networks: Empirical Robustness Across Domains [0.0]
  グラフニューラルネットワーク(GNN)はグラフ表現学習の標準となっているが、構造的摂動に弱いままである。 本稿では、永続的ホモロジー特徴と安定性の正則化を統合し、堅牢性を高める新しいフレームワークを提案する。 提案手法は, 競争精度を維持しつつ, エッジ摂動に対して極めて頑健であることを示す。
  論文  参考訳（メタデータ） (2025-12-15T19:39:11Z)
• Pruning Graphs by Adversarial Robustness Evaluation to Strengthen GNN Defenses [1.066048003460524]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データ学習の主流パラダイムとして浮上している。 本研究では, グラフの有害成分を明確に識別し, 除去するために, 対向的ロバストネス評価を利用するプルーニングフレームワークを提案する。 頑健性スコアをガイダンスとして使用することにより,モデルの信頼性を低下させる可能性が最も高いエッジを選択的にプーンし,よりクリーンでレジリエントなグラフ表現が得られる。
  論文  参考訳（メタデータ） (2025-11-29T20:15:54Z)
• ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion [73.85920403511706]
  スケーラブルで効果的なグラフ学習のためのマルチホップノード機能を適応的に融合する新しいフレームワークであるScaleGNNを提案する。 予測精度と計算効率の両面で,ScaleGNNは最先端のGNNよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-22T14:05:11Z)
• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。 RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• 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)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
  グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。 最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)

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。