Graph Dimension Attention Networks for Enterprise Credit Assessment

企业信用评估对于评估金融风险至关重要，而图神经网络（GNNs）凭借其先进的建模能力，是深入了解这些金融网络的自然工具。然而，现有的基于GNN的方法主要强调实体级别的注意机制来进行传染风险聚合，往往忽视了不同特征维度的异质重要性，因此在充分建模信用风险水平方面存在不足。为了解决这个问题，我们提出了一种名为图维度注意网络（GDAN）的新型架构，它结合了维度级别的注意机制，以捕捉细粒度的与风险相关的特征。此外，我们探索了基于GNN的方法在金融场景中的可解释性，并提出了一个简单但有效的数据中心解释器GDAN-DistShift，用于GDAN。DistShift通过量化消息传递过程中的分布偏移来提供边级可解释性。此外，我们收集了一个真实的、多源的企业信用评估数据集（ECAD），并使其可供研究社区使用，因为在这个领域缺乏高质量的数据集。在ECAD上进行的广泛实验证明了我们方法的有效性。此外，我们还在知名的SMEsD和DBLP数据集上运行了GDAN，也取得了出色的结果。

本论文旨在解决企业信用评估中的信用风险建模问题。现有的基于图神经网络的方法主要强调实体级别的注意机制，忽略了不同特征维度的异质性重要性，因此在充分建模信用风险水平方面存在不足。

本文提出了一种名为GDAN的新架构，它结合了维度级别的注意机制，以捕获细粒度的与风险相关的特征。此外，还提出了一种名为GDAN-DistShift的简单但有效的数据中心解释器，通过量化消息传递过程中的分布转移来提供边级可解释性。

本文提出的GDAN模型在真实世界的多源企业信用评估数据集ECAD上进行了广泛的实验，证明了其有效性。此外，还在SMEsD和DBLP等著名数据集上运行了GDAN，同样取得了优异的结果。作者还开放了ECAD数据集，供研究社区使用。实验设计合理，使用了多个数据集进行验证，作者还提出了一种可解释性的方法。

近期的相关研究包括《Graph Convolutional Networks for Credit Risk Evaluation》、《A Survey of Graph Neural Networks: Applications and Challenges》等。