7-1 图机器学习在信用风险管理场景的应用

核心观点与关键数据

• 图神经网络（GNN）在多个领域的研究进展：研报正文主要围绕图神经网络在不同领域的应用展开，包括工业用途、电商、金融、供应链等。其中，多个研究工作在顶级会议（如NeurIPS、ICDE、AAAI、KDD等）上发表，展示了GNN技术的广泛应用和成熟度。
• 时间感知图神经网络的研究：多个研究工作关注时间感知的图神经网络，例如在电商总商品价值预测、信用风险预测等任务中的应用。其中，STGNN、STGCN、GCN-LSTM等模型被提出，并取得了较好的效果。
• 图增强正则化技术：AAAI 2022的一篇研究工作提出了通过一致性-多样性图增强正则化图神经网络的方法，提升了模型的性能。
• 半监督与欺诈检测：多篇研究工作关注半监督图注意网络在金融欺诈检测中的应用，例如在CIKM 2020和IJCAI 2020上发表的工作。
• 属性异构图神经网络：多篇研究工作关注属性异构图神经网络在恶意账号检测、现金提取用户检测等任务中的应用，例如在CIKM 2018、AAAI 2019和SIGIR 2019上发表的工作。
• 图供应链挖掘：多篇研究工作关注基于图的供应链挖掘在中小企业财务风险分析中的应用，例如在IJCAI 2019上发表的工作。

研究结论

• 图神经网络技术在多个领域取得了显著的研究进展，特别是在工业用途、电商、金融、供应链等领域。
• 时间感知图神经网络在电商总商品价值预测、信用风险预测等任务中表现出较好的性能。
• 图增强正则化技术可以有效提升图神经网络的性能。
• 半监督图注意网络在金融欺诈检测中具有较好的应用前景。
• 属性异构图神经网络在恶意账号检测、现金提取用户检测等任务中表现出较好的性能。
• 基于图的供应链挖掘可以用于中小企业财务风险分析。

关键模型与技术

• 时间感知图神经网络模型：STGNN、STGCN、GCN-LSTM
• 图增强正则化技术
• 半监督图注意网络
• 属性异构图神经网络
• 图供应链挖掘技术