基于保留模体图神经网络与课程学习的金融违约预测
风险管理
2024-03-12 v1 机器学习
摘要
用户金融违约预测在信用风险预测与管理中起着至关重要的作用。它旨在预测用户未来无法还款的概率。先前的方法主要提取一组关于用户自身特征和行为的个体特征，并构建一个二分类模型来进行违约预测。然而，这些方法无法获得令人满意的结果，特别是对于信息有限的用户。尽管近来的努力表明可以通过社会关系改善违约预测，但它们未能捕捉小子图模式层级上的高阶拓扑结构。在本文中，我们通过提出一种带有课程学习的保留模体的图神经网络（MotifGNN）来填补这一空白，以联合学习来自原始图的低阶结构和来自多视图模体图的高阶结构，用于金融违约预测。具体而言，为了解决模体图中连接性弱的问题，我们设计了基于模体的门控机制。它利用从具有良好连接性的原始图中学习到的信息来加强高阶结构的学习。并且考虑到不同样本的模体模式高度不平衡，我们在整个学习过程中提出了一种课程学习机制，以更多地关注具有罕见模体分布的样本。在一个公开数据集和两个工业数据集上的大量实验都证明了我们提出方法的有效性。
引用
@article{arxiv.2403.06482,
title = {Financial Default Prediction via Motif-preserving Graph Neural Network with Curriculum Learning},
author = {Daixin Wang and Zhiqiang Zhang and Yeyu Zhao and Kai Huang and Yulin Kang and Jun Zhou},
journal= {arXiv preprint arXiv:2403.06482},
year = {2024}
}