論文の概要: No Data Is Not No Risk: Visibility Aware Graph-Based Inference of Business Conduct Risk

• arxiv url: http://arxiv.org/abs/2607.26859v1
• Date: Wed, 29 Jul 2026 12:44:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.670088
• Title: No Data Is Not No Risk: Visibility Aware Graph-Based Inference of Business Conduct Risk
• Title（参考訳）: リスクのないデータ - ビジネス行動リスクのグラフベースの推論に可視性
• Authors: Tsuyoshi Iwata, Johannes Laurmaa, Ryohei Hisano,
• Abstract要約: ビジネス行動のリスクの監視は、スパース、不均一、可視性バイアスのあるデータによって妨げられる。 本稿では,今後記録される行為関連事象の予測を,相互確認関係で改善できるかどうかを検討する。
• 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: The monitoring of business conduct risk is hindered by sparse, uneven, and visibility-biased data. Prior studies show that business conduct risk information and media coverage propagate through supply chain, peer, and corporate structure networks, yet incident records remain incomplete for many firms. As a result, the absence of reported events could reflect limited coverage rather than the absence of underlying business conduct risk. This paper examines whether inter-firm relationships can improve the prediction of future recorded conduct related incidents, particularly among firms with limited prior visibility. We formulate the task as Positive--Unlabeled node classification on a corporate ownership graph, where firms with recorded incidents are treated as labeled positives and firms without recorded incidents remain unlabeled. We then propose a visibility- and relation-aware GCNII framework that combines relation specific message passing with non-negative Positive--Unlabeled learning to account for positive contamination in the unlabeled set. In a forward-looking evaluation, the proposed approach achieved the strongest observed ranking performance relative to non-graph- and simple graph-based benchmarks. The results further show that graph-based inference retains its predictive value among firms without prior recorded incidents. These findings demonstrate the value of inter-firm relational structure as a complementary source of information for extending risk prioritization
• Abstract（参考訳）: ビジネス行動のリスクの監視は、スパース、不均一、可視性バイアスのあるデータによって妨げられる。 これまでの研究では、サプライチェーン、ピア、コーポレート構造ネットワークを通じてビジネスのリスク情報やメディアの報道が伝播していることが示されているが、多くの企業にとってインシデント記録は不完全である。 その結果、報告されたイベントの欠如は、根底にあるビジネス行動リスクの欠如よりも、限られたカバレッジを反映する可能性がある。 本稿では,特に事前視認性に限界がある企業において,相互確認関係が将来記録される行為関連事象の予測を改善できるかどうかを検討する。 コーポレートオーナシップグラフでは、記録されたインシデントのある企業をラベル付きポジティクスとして扱い、記録されたインシデントのない企業をラベル付けしない。 次に、非負の正の正の学習と関係性特異的メッセージパッシングを組み合わせた可視性と関係性を考慮したGCNIIフレームワークを提案し、ラベルなし集合における正の汚染を考慮に入れた。 先見的な評価では,提案手法は非グラフおよび単純なグラフベースベンチマークと比較して最強のランク付け性能を達成している。 さらに, グラフに基づく推測では, 既往のインシデントを伴わずに, 企業間での予測価値が保たれることを示した。 これらの結果は、リスク優先順位を延ばすための情報相補的情報源としての相互信頼関係構造の価値を示している。

関連論文リスト

• Graph-Based Financial Fraud Detection with Calibrated Risk Scoring and Structural Regularization [8.94945137673605]
  本稿では,金融取引不正防止のためのグラフニューラルネットワーク表現学習とリスク識別フレームワークを提案する。 トランザクションレコードとID情報をノード属性に統合し、共有属性と相互作用一貫性に基づいたトランザクショングラフを構築する。 実験は、公開されている金融トランザクションデータセット上で実施される。
  論文  参考訳（メタデータ） (2026-05-12T21:52:24Z)
• Heterogeneous Graph Pre-training Based Model for Secure and Efficient Prediction of Default Risk Propagation among Bond Issuers [1.737435659602194]
  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。
  論文  参考訳（メタデータ） (2025-01-04T11:10:16Z)
• Auditing Fairness under Unobserved Confounding [56.61738581796362]
  意外なことに、リスクの高い人に対する治療率の有意義な限界を計算できることが示されています。 現実の多くの環境では、リスクの偏りのない見積を導き出すために、アロケーションの前にデータを持っているという事実を使用します。
  論文  参考訳（メタデータ） (2024-03-18T21:09:06Z)
• Uncertainty in Graph Contrastive Learning with Bayesian Neural Networks [101.56637264703058]
  変分ベイズニューラルネットワークは不確実性推定を改善するために有効であることを示す。 比較学習における不確実性の新たな尺度を提案するが、これは異なる正のサンプルによる可能性の相違に基づくものである。
  論文  参考訳（メタデータ） (2023-11-30T22:32:24Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• To Predict or to Reject: Causal Effect Estimation with Uncertainty on Networked Data [36.31936265985164]
  GraphDKLは、グラフによる因果効果推定を行う際に、肯定的仮定違反に対処する最初のフレームワークである。 本研究では,ネットワークデータに対する不確実性を考慮した因果効果推定における提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2023-09-15T05:25:43Z)
• Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction [6.570852598591727]
  Stemporal Zero-Inflated Tweedie Graph Neural Network STZITZTDGNNは,道路交通事故予測における最初の不確実性を考慮したグラフ深層学習モデルである。 本研究は,STIDGNNが対象道路の監視を効果的に行い,都市道路の安全対策を改善することを実証するものである。
  論文  参考訳（メタデータ） (2023-09-10T16:35:47Z)
• A Unified Framework of Policy Learning for Contextual Bandit with Confounding Bias and Missing Observations [108.89353070722497]
  本研究では,観測データを用いた最適ポリシの獲得を目的とした,オフラインのコンテキスト的帯域幅問題について検討する。 本稿では、積分方程式系の解として報酬関数を形成するCausal-Adjusted Pessimistic(CAP)ポリシー学習という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-20T15:17:31Z)
• 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)
• Data Considerations in Graph Representation Learning for Supply Chain Networks [64.72135325074963]
  本稿では,隠れた依存関係リンクを明らかにするためのグラフ表現学習手法を提案する。 本稿では,グローバルな自動車サプライチェーンネットワークのリンク予測における最先端の性能向上を実証する。
  論文  参考訳（メタデータ） (2021-07-22T12:28:15Z)

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。