信用违约预测的关系图建模：异构图神经网络与混合集成学习
机器学习
2026-01-22 v1
摘要
信用违约风险源于借款人、金融机构和交易层面行为之间的复杂相互作用。虽然强大的表格模型在信用评分中仍高度具竞争力，但可能无法显式捕捉嵌入于多表格金融历史中的跨实体依赖关系。本文构建了一个规模庞大的异构图，包含超过3100万个节点和5000万条边，将借款人属性与细粒度交易实体（如分期付款、POS现金余额和信用卡历史）集成。我们评估了异构图神经网络（GNN），包括异构GraphSAGE和关系感知注意力异构GNN，与强大的表格基线进行了比较。我们发现，单独使用GNN相对于竞争性的梯度提升树基线仅提供有限的提升，而一种混合集成方法通过引入GNN派生的客户嵌入来增强表格特征，实现了最佳整体性能，显著提升了ROC-AUC和PR-AUC。我们进一步观察到，对比预训练可以提高优化稳定性，但在通用的图增强下仅带来有限的下游收益。最后，我们进行了结构化的可解释性和公平性分析，以刻画关系信号如何影响子群行为和筛选导向的结果。
引用
@article{arxiv.2601.14633,
title = {Relational Graph Modeling for Credit Default Prediction: Heterogeneous GNNs and Hybrid Ensemble Learning},
author = {Yvonne Yang and Eranki Vasistha},
journal= {arXiv preprint arXiv:2601.14633},
year = {2026}
}