Os gráficos de informações estão entrando nas práticas financeiras, especialmente como ferramentas poderosas para operações de recuperação de concorrentes. A capacidade do Graph de organizar e analisar dados complexos de forma eficaz permite obter insights sobre perspectivas competitivas e revelar conexões lógicas entre empresas. Portanto alteram os métodos de coleta de dados e métodos de análise com maior abrangência e abrangência de aplicabilidade. O desempenho dos gráficos de conhecimento pode ser melhorado ainda mais combinando-os com técnicas de incorporação de gráficos. Contudo, nas operações financeiras, os métodos atuais enfrentam muitos desafios, tais como relacionamentos direcionados e não direcionados, nós vinculados e menor comunicação de concorrentes anotados. Assim, os métodos atuais de incorporação SOTA são limitados em finanças devido à estrutura muito complexa dos gráficos funcionais. Este artigo discute pesquisas recentes que visam melhorar a detecção de concorrentes com a ajuda de redes de gráficos neurais.
Pesquisadores do JPMorgan Chase propõem incorporar o JPMorgan Proximity for Competitor Discovery, uma nova rede neural gráfica para recuperação do concorrente no gráfico de conhecimento financeiro. JPEC usa redes neurais gráficas para aprender com as proximidades dos nós de primeira e segunda ordem para capturar efetivamente o padrão do concorrente. Nos gráficos financeiros, as vantagens dos concorrentes costumam ser pequenas, mas proporcionam um aprendizado valioso. Aqui entra em cena a aproximação de primeira ordem, que indica conectividade espacial e é usada como informação protegida que evita a correspondência de representações ocultas entre pares de concorrentes. Uma aproximação de segunda ordem é usada para aprender a estrutura e os atributos do gráfico simultaneamente com a ajuda de Autoencoders GCN. Isto é interessante porque, em geral, os GCNs são projetados para gráficos não direcionados. Os autores usam sua função de transmissão para implementar GCN em configurações de gráficos direcionados.
Além disso, o modelo utiliza um decodificador para calcular a menor vantagem do concorrente, conforme mencionado anteriormente. O decodificador melhora a capacidade do modelo de extrair informações do gráfico da cadeia de suprimentos. A função de perda de adjacência de segunda ordem visa minimizar a diferença entre os vetores de características do nó original e reconstruído.
Este modelo foi analisado em um conjunto de dados preparado a partir de um gráfico de informações financeiras em grande escala que inclui diversas organizações financeiras, como empresas, investidores e banqueiros, e seus relacionamentos. Dois conjuntos de dados foram gerados a partir de A) o conjunto de dados de teste regular e B) o conjunto de dados de teste Zero-Shot; Para os dados do Teste Zero-Shot, os autores selecionaram um subconjunto do gráfico e extraíram as arestas COMPETE_WITH ao redor deles. Eles então removem todas as conexões COMPETE_WITH entre esses nós e o restante do gráfico para garantir que esses nós não sejam visíveis nos dados do competidor de treinamento. Em outra fase, os autores amostraram aleatoriamente o conjunto de dados restante. Em contraste com o conjunto de dados de teste aleatório, os dados de teste normais retiveram todos os nós, mas retiveram aleatoriamente certas arestas COM PETE_WITH do gráfico. Durante os testes, os autores compararam o desempenho dos modelos com três métricas de classificação – Hits, MRR ou classificação média recíproca e precisão média média (MAP). Os resultados desta análise revelaram que muitos métodos baseados em aprendizado de máquina são mais eficazes do que consultas humanas para encontrar concorrentes em dados de teste tradicionais. Para o conjunto de dados Zero-shot, os métodos de incorporação baseados em estrutura tiveram um desempenho ruim para problemas de inicialização a frio, enquanto os métodos de incorporação especificados tiveram um bom desempenho.
Para resumir, o JPEC utilizou duas ordens de proximidade de nós para desenvolver gráficos de informações financeiras. Este método é mais bem-sucedido do que muitos especialistas financeiros modernos, que prevêem manualmente os concorrentes dos nós. O JPEC marca um grande desenvolvimento neste campo, mostrando o poder dos gráficos de informação para revelar padrões importantes em redes complexas, especialmente em aplicações práticas de negócios. .
Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso SubReddit de 55k + ML.
[Upcoming Live LinkedIn event] 'Uma plataforma, possibilidades multimodais', onde o CEO da Encord, Eric Landau, e o chefe de engenharia de produto, Justin Sharps, falarão sobre como estão revitalizando o processo de desenvolvimento de dados para ajudar as equipes a construir modelos de IA multimodais revolucionários, rapidamente'
Adeeba Alam Ansari está atualmente cursando um diploma duplo no Instituto Indiano de Tecnologia (IIT) Kharagpur, cursando B.Tech em Engenharia Industrial e M.Tech em Engenharia Financeira. Com profundo interesse em aprendizado de máquina e inteligência artificial, ele é um leitor ávido e uma pessoa curiosa. A Adeeba acredita firmemente no poder da tecnologia para capacitar a sociedade e promover o bem-estar através de soluções inovadoras impulsionadas pela empatia e uma compreensão profunda dos desafios do mundo real.
Ouça nossos podcasts e vídeos de pesquisa de IA mais recentes aqui ➡️
