Financial Default Prediction via Motif-preserving Graph Neural Network with Curriculum Learning

用户的财务违约预测在信用风险预测和管理中起着至关重要的作用。它旨在预测用户未来偿还贷款的概率。以往的方法主要提取一组关于用户个人资料和行为的特征，并建立一个二分类模型来进行违约预测。然而，这些方法不能得到满意的结果，特别是对于信息有限的用户。虽然最近的研究表明，社交关系可以改善违约预测，但它们未能捕捉到小子图模式层次结构的高阶拓扑结构。本文通过提出一个保留小子图模式的图神经网络和课程学习（MotifGNN），从原始图中共同学习低阶结构和基于多视图模式的图的高阶结构，以进行财务违约预测，填补了这一空白。具体而言，为了解决基于模式的图中连接性较弱的问题，我们设计了基于模式的门控机制。它利用从具有良好连接性的原始图中学到的信息来加强对高阶结构的学习。考虑到不同样本的模式分布高度不平衡，我们在整个学习过程中提出了课程学习机制，以更加关注具有不常见模式分布的样本。对一个公共数据集和两个工业数据集的广泛实验都证明了我们提出的方法的有效性。

本论文旨在解决用户信用风险预测中存在的问题，即传统方法无法满足信息有限的用户，同时最近的基于社交关系的方法也无法捕捉小子图模式的高阶拓扑结构。

论文提出了一种保留模式的图神经网络，结合课程学习，从原始图中学习低阶结构和基于多视图模式的图的高阶结构，通过模式门控机制解决模式图中连接性较弱的问题。

论文使用了公共数据集和两个工业数据集进行了广泛的实验，证明了所提出的方法的有效性。同时，论文还设计了课程学习机制，更加注重具有不常见模式分布的样本。值得深入研究。

最近的相关研究主要集中在基于社交关系的方法，例如《SocialGCN: An Efficient Graph Convolutional Network based on Localized Social Attention》。