基于图的反事实与事实推理用于金融风险检测的证据子图识别
计算工程、金融与科学
2025-03-11 v1
摘要
公司金融风险构成对个人财富和国家经济稳定性的重大威胁，推动了高效及时的方法开发，以监控这些风险。当前方法倾向于使用图神经网络 (GNN) 来建模风险的动量溢出效应。然而，由于 GNN 的黑箱本质，这些方法在针对公司风险进行精确可靠的解释方面尚有不足。本文提出了 CF3，即基于反事实与事实学习的方法，用于公司金融风险检测，该方法在公司知识图谱上生成证据子图，以可靠地检测和解释公司金融风险。具体而言，我们首先提出一种基于格兰杰因果性的元路径归因过程，筛选与目标节点标签最相关的元路径，以构建归因子图。随后，我们提出一种边类型感知的图生成器，以识别重要边；还设计一种基于图层的特征遮蔽器，以识别关键节点特征。最后，我们利用反事实-事实推理和基于归因子图的损失函数，联合指导图生成器和特征遮蔽器的学习。在三个真实数据集上的大量实验表明，我们的方法在金融风险检测领域的 SOTA 方法中表现优异。
引用
@article{arxiv.2503.06441,
title = {Identifying Evidence Subgraphs for Financial Risk Detection via Graph Counterfactual and Factual Reasoning},
author = {Huaming Du and Lei Yuan and Qing Yang and Xingyan Chen and Yu Zhao and Han Ji and Fuzhen Zhuang and Carl Yang and Gang Kou},
journal= {arXiv preprint arXiv:2503.06441},
year = {2025}
}