論文の概要: Empowering Credit Risk Detection in Weixin Pay with Billion-Scale Deep Graph Learning

• arxiv url: http://arxiv.org/abs/2608.02168v1
• Date: Mon, 03 Aug 2026 12:50:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.568551
• Title: Empowering Credit Risk Detection in Weixin Pay with Billion-Scale Deep Graph Learning
• Title（参考訳）: 数十億ドル規模のディープグラフ学習によるWeixin Payの信用リスク検出
• Abstract要約: 信用リスク検出は、デジタル金融エコシステムの安定性を維持するために不可欠である。 大規模信用リスク検出のためのリスク対応重複グラフ学習フレームワークを提案する。 我々のモデルは、リスク検出のための既存の戦略を著しく上回ります。
• 参考スコア（独自算出の注目度）: 25.930406114783935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Credit risk detection, particularly mitigating individual fraud, is crucial for maintaining the stability of digital financial ecosystems. Accurately identifying credit fraud among billions of users is critical for minimizing financial losses and safeguarding the sustainability of inclusive financial services. Given that credit fraud risks are often concealed within heterogeneous user-risk graphs, Graph Neural Networks (GNNs) have emerged as an effective tool for risk mining by capturing complex dependencies. To address the scalability bottleneck of industrial GNNs, distributed training based on subgraphs is indispensable. However, existing strategies often compromise topological integrity for load balancing. This can be catastrophic for risk detection, as it indiscriminately severs the long-tail evidence chains essential for risk propagation. Overlapping subgraphs can restore severed risk contexts but inevitably introduce redundancy and noise, while overlooking the representation alignment across different local subgraphs. In this paper, we propose a risk-aware overlapping subgraph learning framework for large-scale credit risk detection. We first construct base partitions to ensure load balance. Then, we perform budget-constrained sampling that selects informative long-tail nodes, thereby preserving critical risk diffusion patterns while filtering out noise. To mitigate representation inconsistency, we design a cross-subgraph consistency alignment mechanism. By enforcing alignment constraints on the overlapping nodes, we harmonize the local representations into a globally consistent latent space. Extensive experiments on Weixin Pay's production dataset demonstrate that our model significantly outperforms existing strategies for risk detection, offering a scalable and effective solution for industrial graph learning.
• Abstract（参考訳）: 信用リスク検出、特に個人詐欺の軽減は、デジタル金融エコシステムの安定性を維持するために不可欠である。 数十億人のユーザーの信用詐欺を正確に特定することは、財務損失を最小限に抑え、包括的金融サービスの持続可能性を保護するために重要である。 信用詐欺のリスクが不均一なユーザリスクグラフの中に隠されることがしばしばあることを踏まえると、グラフニューラルネットワーク(GNN)は複雑な依存関係をキャプチャしてリスクマイニングに有効なツールとして現れている。 産業用GNNのスケーラビリティボトルネックに対処するためには,サブグラフに基づく分散トレーニングが不可欠である。 しかし、既存の戦略はしばしば負荷分散のトポロジ的整合性を損なう。 これはリスク検出にとって破滅的であり、リスクの伝播に不可欠な長い尾のエビデンス連鎖を無差別に分離する。 重なり合うサブグラフは、厳しいリスクコンテキストを復元することができるが、必然的に冗長性とノイズを導入し、異なるローカルサブグラフ間の表現アライメントを見越すことができる。 本稿では,大規模信用リスク検出のためのリスク対応重複グラフ学習フレームワークを提案する。 まず、ロードバランスを確保するために、ベースパーティションを構築します。 そして、情報的長テールノードを選択するための予算制約サンプリングを行い、ノイズを除去しながら致命的なリスク拡散パターンを保存する。 表現の不整合を軽減するため,クロスサブグラフ整合性アライメント機構を設計する。 重なり合うノード上のアライメント制約を強制することにより、局所表現を一様一貫した潜在空間に調和させる。 Weixin Payの生産データセットに関する大規模な実験では、私たちのモデルはリスク検出のための既存の戦略を著しく上回り、産業グラフ学習のためのスケーラブルで効果的なソリューションを提供しています。

関連論文リスト

• CausalGraphX: A Counterfactual Graph Neural Network Framework for Explainable Systemic Risk Assessment [3.9523001246697813]
  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。
  論文  参考訳（メタデータ） (2026-07-15T23:10:06Z)
• Beyond Sparse Supervision: Diffusion-Guided Learning for Few-Shot Graph Fraud Detection [4.923071905608023]
  本稿では,拡散誘導機能強化,コントラスト表現学習,マルチホップスペクトルアテンションを組み合わせた統合フレームワークであるADC-GNNを提案する。 ADC-GNNを主に3つの公開ベンチマークで評価し、プライベートケーススタディとして約6万レコードのプロプライエタリな実世界のテレコムトランザクションデータセットを報告した。
  論文  参考訳（メタデータ） (2026-06-26T14:34:28Z)
• Conformal Thinking: Risk Control for Reasoning on a Compute Budget [60.65072883773352]
  大規模言語モデル(LLM)の推論により、トークンの予算が増加するにつれて、データセットレベルの精度が向上する。 我々は、予算設定問題をリスクコントロールとして再設定し、計算を最小化しながらエラー率を制限する。 我々のフレームワークは、モデルが自信のあるときに推論を停止する上位しきい値と、未解決のインスタンスを事前に停止させる新しい下位しきい値を導入する。
  論文  参考訳（メタデータ） (2026-02-03T18:17:22Z)
• Exploring Network-Knowledge Graph Duality: A Case Study in Agentic Supply Chain Risk Analysis [3.734145313091892]
  ネットワークと知識グラフの本質的にの双対性を利用する。 ネットワーク集中度スコアで導かれるグラフトラバーサは、最も経済的に健全なリスクパスを効率的に抽出する。 エージェントアーキテクチャは、数値係数テーブルとニュースストリームのデータとともに、このグラフ検索をオーケストレーションする。
  論文  参考訳（メタデータ） (2025-10-01T17:02:14Z)
• Cannot See the Forest for the Trees: Invoking Heuristics and Biases to Elicit Irrational Choices of LLMs [83.11815479874447]
  本研究では,人間の認知における認知的分解と偏見に触発された新しいジェイルブレイク攻撃フレームワークを提案する。 我々は、悪意のあるプロンプトの複雑さと関連バイアスを減らし、認知的分解を用いて、プロンプトを再編成する。 また、従来の二分的成功または失敗のパラダイムを超越したランキングベースの有害度評価指標も導入する。
  論文  参考訳（メタデータ） (2025-05-03T05:28:11Z)
• A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
  本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。 推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2025-02-18T22:07:36Z)
• Utilizing Effective Dynamic Graph Learning to Shield Financial Stability from Risk Propagation [10.464514412664862]
  金融リスクは、密結合した時間次元と空間次元の両方にわたって伝播することができる。 ラベルのないデータに埋め込まれたリスクは、しばしば検出するのが困難である。 3つの重要なイノベーションを持つ新しいアプローチであるGraphShieldを紹介します。
  論文  参考訳（メタデータ） (2025-02-18T08:09:05Z)
• Risk-Averse Certification of Bayesian Neural Networks [70.44969603471903]
  本稿では,RAC-BNNと呼ばれるベイズニューラルネットワークに対するリスク・アバース認証フレームワークを提案する。 提案手法はサンプリングと最適化を利用して,BNNの出力集合の音響近似を計算する。 我々は,RAC-BNNを回帰および分類ベンチマークで検証し,その性能を最先端の手法と比較した。
  論文  参考訳（メタデータ） (2024-11-29T14:22:51Z)
• 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)
• 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)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)

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。