应用混合图神经网络提升信用风险分析
机器学习
2024-10-08 v1
摘要
本文提出一种新颖的信用风险预测方法，采用图卷积神经网络（Graph Convolutional Neural Networks, GCNNs）对借款人信用状况进行评估。该方法利用大数据和人工智能技术，旨在解决传统信用风险评估模型面临的挑战，尤其在处理不平衡数据集和从复杂关系中提取有意义特征方面的困难。本文首先将原始借款人数据转化为图结构数据，其中借款人及其关系被表示为节点和边。随后应用经典的子图卷积模型提取局部特征，进而引入混合GCNN模型，将局部和全局卷积算子集成，以捕获节点特征的全面表示。该混合模型 incorporates 注意力机制以自适应选择特征，从而缓解过平滑和特征不足的问题。研究表明，GCNNs在提高信用风险预测准确性方面具有潜力，为寻求增强金融机构贷款决策过程的风险管理提供了稳健解决方案。
引用
@article{arxiv.2410.04283,
title = {Applying Hybrid Graph Neural Networks to Strengthen Credit Risk Analysis},
author = {Mengfang Sun and Wenying Sun and Ying Sun and Shaobo Liu and Mohan Jiang and Zhen Xu},
journal= {arXiv preprint arXiv:2410.04283},
year = {2024}
}