Feb, 2024

基于注意力的动态多层图神经网络在贷款违约预测中的应用

PDF
TL;DR作者提出了一种基于图神经网络和循环神经网络构建的动态多层网络的信用风险评估模型，该模型考虑了不同类型的连接和这些连接随时间的演变，并通过使用自定义的注意机制提高了模型表现，与传统方法相比，在预测借款人违约概率方面，我们的模型带来了更好的结果和对连接和时间戳重要性分析的新见解。
发现论文，激发创造
  • 基于保持图模式的图神经网络与课程学习的金融违约预测

    通过设计模式保持的图神经网络与课程学习 (MotifGNN)，本研究提出了一种预测用户财务违约的方法，以同时学习原始图的低阶结构和基于多视图模式的图的高阶结构，以解决之前方法在面对信息有限用户时无法满足预测需求的问题。

    Mar, 2024

  • 动态关系注意力图神经网络用于欺诈检测

    欺诈检测在发现欺诈者通过欺骗其他用户，例如发布虚假评论或进行异常交易的行为上有着重要作用。我们采用图神经网络和动态关系注意力聚合机制来解决这个问题，并在真实基准数据集上展示了我们的方法 DRAG 优于其他最先进的欺诈检测方法。

    Oct, 2023

  • 基于表格金融数据的信用风险监控的序列深度学习

    本文提出了一种新的信用风险评估方法，采用深度循环卷积神经网络并利用长期历史金融数据序列的新型信用卡交易抽样技术，优于现有的基于树模型的方法，能够实现显著的金融节约和更早的信用风险检测。

    Dec, 2020

  • 利用文本和数值数据流的多模态深度学习进行信用评级预测

    本研究对于公司信用评级的深度学习模型进行结构化数据和非结构化数据的多模态融合，其中以卷积神经网络为基础的模型与两种融合策略的效果最佳；此外，我们还发现更复杂的深度学习模型未必能够带来最好的性能，然而，如果注意力机制为性能最佳，那么交叉注意力机制为必要的融合策略；最后，我们比较了短期、中期和长期表现，并得出 Moody's 信用评级超过标普和惠誉等其他机构的结论。

    Apr, 2023

  • 动态图神经网络调查

    图神经网络已成为从图结构数据中有效挖掘和学习的强大工具，但大多数研究侧重于静态图，忽视了真实世界网络的动态特性，该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。

    Apr, 2024

  • CaT-GNN: 通过因果时序图神经网络提升信用卡欺诈检测

    本文介绍了一种名为 CaT-GNN 的新型信用卡欺诈检测方法，该方法利用因果不变性学习揭示了交易数据中的内在相关性，并通过发现和干预阶段将问题分解，通过识别事务图中的因果节点并应用因果混合策略来提高模型的鲁棒性和可解释性。实验结果表明，CaT-GNN 在多个数据集上表现出超过现有最先进方法的优越性能，突显了将因果推理与图神经网络相结合以提高金融交易中的欺诈检测能力的潜力。

    Feb, 2024

  • 基于图神经网络和深度学习的风电场功率预测：注意力机制捕捉尾流损失

    本文提出了一种基于图神经网络的模块化框架，结合注意力机制在风力发电中对功率产量进行预测。结果表明，该模型明显优于多层感知机和双向 LSTM 模型，同时其性能与传统的图神经网络模型相当；同时，该框架可以根据需求进行灵活调整，提高了自适应能力。通过注意力权重的分析，表明该框架可以在风力发电数据分析中提供洞察力，特别是注意力网络可以意识到相邻涡轮之间的依赖以及与唤醒损失有关的物理直觉。

    Jan, 2022

  • E.T.-RNN：将深度学习应用于信用贷款申请

    本文提出了一种基于深度学习方法的银行零售客户信用评分的新方法。我们使用 RNNs 分析精细的跨国数据来为贷款申请人计算信用评分，并证明我们的方法显著优于基于某大型欧洲银行客户数据的基线方法。此外，我们在银行的贷款申请人上开展 pilot study，该研究为该机构带来了显著的财务收益。本文还描述了我们的方法具有的其他一些非常重要的优势。

    Nov, 2019

  • 基于注意力图神经网络的多标签文本分类

    本文介绍了一种基于图注意力网络的模型，用于捕捉标签之间的关注依赖结构。该模型使用特征矩阵和相关矩阵来探索标签之间的关系，并生成可用于端到端训练的分类器。该模型在 5 个真实的多标签文本分类数据集上表现出与先前的最先进模型相似或更好的性能。

    Mar, 2020

  • 动态图神经网络进行影响力检测

    本文研究了在影响者检测中，利用动态图神经网络进行预测任务的不同配置，考虑到网络动态性与时间特征属性的影响，证明使用深度多重注意力和编码时间属性可以显著改善性能，在捕获邻域表示方面比使用网络中心度度量更有益。

    Nov, 2022