論文の概要: CausalGraphX: A Counterfactual Graph Neural Network Framework for Explainable Systemic Risk Assessment

• arxiv url: http://arxiv.org/abs/2607.14416v1
• Date: Wed, 15 Jul 2026 23:10:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.933243
• Title: CausalGraphX: A Counterfactual Graph Neural Network Framework for Explainable Systemic Risk Assessment
• Title（参考訳）: CausalGraphX: 説明可能なシステムリスク評価のための反ファクトグラフニューラルネットワークフレームワーク
• Authors: Rabimba Karanjai, Hemanth Madhavarao, Lei Xu, Weidong Shi,
• Abstract要約: 本稿では,GNNと対実的推論を統合した新しいフレームワークCausalGraphXを紹介する。 以上の結果から,CausalGraphXはカスケードデフォルトの予測において,従来の学習ベースラインとディープラーニングベースラインを著しく上回ることがわかった。
• 参考スコア（独自算出の注目度）: 3.9523001246697813
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The interconnected nature of global financial systems makes them vulnerable to systemic risks, where the failure of a few institutions can trigger catastrophic cascading defaults. Traditional risk models often fail to capture the complex, non-linear dynamics of these networks. While Graph Neural Networks (GNNs) have shown promise in modeling relational data, they primarily learn correlative patterns and function as black boxes, offering little insight into the causal mechanisms of shock propagation. This limitation is critical for regulators who require explainable models to perform stress tests and devise effective interventions. We introduce CausalGraphX, a novel framework that integrates GNNs with counterfactual reasoning to provide explainable assessments of systemic risk. CausalGraphX employs a Graph Attention mechanism to learn representations of institutional vulnerability and uses an adversarial regularization technique to ensure these representations capture causal drivers rather than spurious correlations. Furthermore, we propose an optimization-based approach to generate counterfactual explanations, answering questions such as, "What minimum capital injection would have prevented Bank A's default under a specific stress scenario?" We validate CausalGraphX on large-scale synthetic financial networks. Our results demonstrate that CausalGraphX significantly outperforms traditional and deep learning baselines in predicting cascading defaults while providing sparse, plausible, and actionable counterfactual explanations.
• Abstract（参考訳）: グローバル金融システムの相互接続の性質は、いくつかの機関の失敗が破滅的なカスケードデフォルトを引き起こすようなシステム的リスクに弱い。 伝統的なリスクモデルは、しばしばこれらのネットワークの複雑で非線形なダイナミクスを捉えるのに失敗する。 グラフニューラルネットワーク(GNN)はリレーショナルデータのモデリングにおいて有望であるが、主に相関パターンを学び、ブラックボックスとして機能する。 この制限は、ストレステストを実行し効果的な介入を考案するために説明可能なモデルを必要とする規制当局にとって重要である。 本稿では,GNNと対実的推論を統合した新しいフレームワークCausalGraphXを紹介する。 CausalGraphXは、機関的脆弱性の表現を学ぶためにグラフ注意機構を使用し、これらの表現がスパイラルな相関ではなく因果的ドライバを確実に捉えるために、逆正則化技術を使用している。 さらに,「特定のストレスシナリオ下では,銀行Aのデフォルトを最小限の資本注入で防げるか?」といった疑問に答えて,対実的説明を生成するための最適化的アプローチを提案する。 大規模合成金融ネットワーク上でCausalGraphXを検証する。 以上の結果から,CausalGraphXは,カスケードの既定値の予測において従来型および深層学習のベースラインを著しく上回り,スパースで,妥当で,かつ,動作可能な対実的説明を提供する。

関連論文リスト

• Limit Analysis of Graph Neural Networks with Wireless Conflict Graphs [81.39865232674413]
  グラフニューラルネットワーク(GNN)は、無線リソース割り当てのための強力なツールとして登場した。 この研究は、スパースランダム幾何グラフ(RGGs)から得られるグラフ上のGNNの転送可能性に関する理論的結果を確立する。
  論文  参考訳（メタデータ） (2026-06-02T15:42:14Z)
• Optimizing Graph Causal Classification Models: Estimating Causal Effects and Addressing Confounders [10.98141213691198]
  因果学習は単なる関連よりも原因と効果の関係を理解するのに役立つ。 従来のグラフ機械学習手法は相関に頼り、急激なパターンや分布の変化に敏感である。 我々は、因果推論をグラフ学習に組み込んだ、共同創設者・認識型因果GNNフレームワークであるCCAGNNを提案する。
  論文  参考訳（メタデータ） (2026-02-20T02:19:20Z)
• Causal Neighbourhood Learning for Invariant Graph Representations [8.854365724044984]
  本稿では,グラフ構造に対する因果的介入を行う新しいフレームワークであるグラフニューラルネットワークを用いた因果学習(CNL-GNN)を提案する。 CNL-GNNは因果関係を効果的に同定し、保存し、刺激的な影響を減少させる。 提案手法は,従来の特徴に基づく手法を超えて因果グラフ学習を改善し,ロバストな分類モデルを実現する。
  論文  参考訳（メタデータ） (2026-02-20T01:52:58Z)
• How Explanations Leak the Decision Logic: Stealing Graph Neural Networks via Explanation Alignment [9.329315232799814]
  グラフニューラルネットワーク(GNN)は、薬物発見や財務分析などの分野において、グラフ構造化データを解析するための重要なツールとなっている。 説明可能なGNNの最近の進歩は、予測に影響を与える重要な部分グラフを明らかにすることで、このニーズに対処している。 本稿では,そのような説明が,モデル盗難に活用可能な決定論理を漏洩させる可能性について検討する。
  論文  参考訳（メタデータ） (2025-06-03T17:11:05Z)
• Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
  グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。 コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
  論文  参考訳（メタデータ） (2024-07-15T16:12:51Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Unveiling the potential of Graph Neural Networks for robust Intrusion Detection [2.21481607673149]
  本稿では,グラフとして構造化された攻撃の流れパターンを学習するための新しいグラフニューラルネットワーク(GNN)モデルを提案する。 我々のモデルは従来の実験と同等の精度を維持することができる一方、最先端のML技術は敵攻撃下で50%の精度(F1スコア)を低下させる。
  論文  参考訳（メタデータ） (2021-07-30T16:56:39Z)
• Bayesian Inductive Learner for Graph Resiliency under uncertainty [1.9254132307399257]
  大規模グラフにおける臨界ノードを特定するためのベイズグラフニューラルネットワークに基づくフレームワークを提案する。 フレームワークが提供する計算複雑性の忠実さと向上について説明する。
  論文  参考訳（メタデータ） (2020-12-26T07:22:29Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。