Los investigadores de JPMorgan Chase proponen JPEC: una novedosa red neuronal gráfica que supera las predicciones de los expertos en tareas de recuperación de la competencia

Los gráficos de conocimiento están encontrando su camino en las prácticas financieras, especialmente como herramientas poderosas para tareas de recuperación de competidores. La capacidad de Graph para organizar y analizar datos complejos de manera efectiva les permite obtener información a partir de pistas competitivas y revelar conexiones significativas entre empresas. De este modo, sustituyen los métodos manuales de recopilación y análisis de datos con mayor escalabilidad y alcance de aplicabilidad. El rendimiento de los gráficos de conocimiento podría mejorarse aún más combinándolos con técnicas de integración de gráficos. Sin embargo, en las tareas financieras, los métodos actuales enfrentan muchos desafíos, como relaciones dirigidas y no dirigidas, nodos atribuidos y conexiones mínimas anotadas con la competencia. Por lo tanto, los métodos de integración SOTA actuales tienen limitaciones financieras debido a la estructura abrumadoramente compleja de los gráficos prácticos. Este artículo analiza un estudio reciente que tiene como objetivo mejorar la recuperación de competidores con la ayuda de redes neuronales gráficas.

Los investigadores de JPMorgan Chase proponen la integración de proximidad de JPMorgan para la detección de competidores, una novedosa red neuronal de gráficos para la recuperación de competidores en gráficos de conocimiento financiero. JPEC utiliza redes neuronales gráficas para aprender de la proximidad de los nodos de primer y segundo orden para capturar de manera efectiva los patrones de la competencia. En los gráficos financieros, las ventajas de los competidores son generalmente escasas, pero proporcionan aprendizajes esenciales. Aquí entra en escena la proximidad de primer orden, que caracteriza las conexiones locales y se utiliza como información supervisada que limita la similitud de las representaciones latentes entre pares de competidores. La proximidad de segundo orden se utiliza para aprender la estructura y los atributos del gráfico simultáneamente con la ayuda de GCN Autoencoders. Esto es interesante porque, convencionalmente, los GCN están diseñados para gráficos no dirigidos. Los autores aprovechan su función de propagación para explotar GCN en configuraciones de gráficos dirigidos.

Además, el modelo utiliza un decodificador para compensar la escasez de ventajas del competidor, como se mencionó anteriormente. El decodificador mejora la capacidad del modelo para extraer información del gráfico de la cadena de suministro. La función de pérdida para la proximidad de segundo orden es minimizar la diferencia entre los vectores de características del nodo originales y los reconstruidos.

Este modelo se evaluó en un conjunto de datos preparado a partir de un gráfico de conocimiento financiero a gran escala que incluía varias entidades financieras como empresas, inversores y banqueros, junto con sus relaciones. Se produjeron dos conjuntos de datos a partir de A) el conjunto de datos de prueba regular y B) el conjunto de datos de prueba Zero-Shot; para los datos de prueba Zero-Shot, los autores eligieron un subconjunto del gráfico y extrajeron COMPETE_WITH bordes alrededor de ellos. Luego eliminaron todas las conexiones COMPETE_WITH entre estos nodos y el resto del gráfico para garantizar que estos nodos no se vean en los datos del competidor de entrenamiento. Para la otra categoría, los autores tomaron muestras aleatoriamente del conjunto de datos restante. A diferencia del conjunto de datos de prueba de disparo cero, los datos de prueba regulares retuvieron todos los nodos pero retuvieron aleatoriamente algunos bordes COM PETE_WITH del gráfico. Mientras evaluaban, los autores compararon el rendimiento de los modelos con tres métricas de clasificación: aciertos, MRR o rango recíproco medio y precisión media media (MAP). Los resultados de este análisis establecieron que la mayoría de los métodos basados ​​en aprendizaje automático superaron a las consultas humanas en la detección de competidores en datos de pruebas regulares. Para el conjunto de datos Zero-shot, los métodos de incrustación basados ​​en estructuras tuvieron un rendimiento inferior con problemas de arranque en frío, mientras que los métodos de incrustación atribuidos tuvieron un buen desempeño.

En resumen, JPEC utilizó dos órdenes de proximidad de nodos para mejorar los gráficos de conocimiento financiero. Este método superó a la mayoría de los expertos financieros de última generación, que predijeron manualmente los competidores de un nodo. JPEC marca un avance significativo en el campo, demostrando el potencial de los gráficos de conocimiento para descubrir patrones valiosos dentro de redes complejas, particularmente en aplicaciones comerciales prácticas. .

Mira el Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. Si te gusta nuestro trabajo, te encantará nuestro hoja informativa.. No olvides unirte a nuestro SubReddit de más de 55.000 ml.

(Próximo evento en vivo de LinkedIn) ‘Una plataforma, posibilidades multimodales’, donde el director ejecutivo de Encord, Eric Landau, y el director de ingeniería de productos, Justin Sharps, hablarán sobre cómo están reinventando el proceso de desarrollo de datos para ayudar a los equipos a construir rápidamente modelos de IA multimodales innovadores.

Adeeba Alam Ansari actualmente está cursando su doble titulación en el Instituto Indio de Tecnología (IIT) Kharagpur, donde obtuvo una licenciatura en Ingeniería Industrial y una maestría en Ingeniería Financiera. Con un gran interés en el aprendizaje automático y la inteligencia artificial, es una lectora ávida y una persona curiosa. Adeeba cree firmemente en el poder de la tecnología para empoderar a la sociedad y promover el bienestar a través de soluciones innovadoras impulsadas por la empatía y una profunda comprensión de los desafíos del mundo real.