DEDGAT：用于金融风险检测的有向图注意力网络双嵌入方法
机器学习
2023-03-08 v1 人工智能
分布式、并行与集群计算
摘要
图表示在金融风险控制领域发挥着重要作用，其中用户间的关系可以图的方式构建。在实际场景中，风控任务中节点间的关系是双向的，例如商户同时具有收入和支出行为。为无向图设计的图神经网络通常利用注意力策略聚合有判别力的节点或边表示，但用于基于有向图构建的任务时无法充分利用出度信息，从而导致方向偏置问题。为解决该问题，我们提出一种称为 DGAT 的有向图注意力网络（Directed Graph ATtention network），其显式地将出度纳入注意力计算。除方向性需求外，同一节点可能具有不同输入与输出表示，因此我们进一步提出 DGAT 的双嵌入，称为 DEDGAT。具体而言，DEDGAT 为每个节点分配入度和出度表示，并分别使用这两种嵌入计算入度和出度节点的注意力权重。在基准数据集上的实验表明，与无向 GAT 相比，DGAT 和 DEDGAT 获得了更好的分类性能。同时，可视化结果显示我们的方法能充分利用入度和出度信息。
引用
@article{arxiv.2303.03933,
title = {DEDGAT: Dual Embedding of Directed Graph Attention Networks for Detecting Financial Risk},
author = {Jiafu Wu and Mufeng Yao and Dong Wu and Mingmin Chi and Baokun Wang and Ruofan Wu and Xin Fu and Changhua Meng and Weiqiang Wang},
journal= {arXiv preprint arXiv:2303.03933},
year = {2023}
}