[논문 리뷰] Heterogeneous Information Network based Default Analysis on Banking Micro and Small Enterprise Users

Zheng Zhang, Y. Ji외 3명|arXiv (Cornell University)|2022. 04. 24.

FinTech, Crowdfunding, Digital Finance인용 수 4

한 줄 요약

이 논문은 상업은행에서 미소기업(MSEs)의 디폴트 예측을 향상시키기 위해 메타패스와 계층적 어텐션 메커니즘을 활용해 다중 시각의 관계 데이터(자금, 산업, 지분)를 활용하는 이질적 정보망 기반 모델인 HIDAM을 제안한다. 모델은 실제 데이터에서 0.7404의 AUC와 0.3600의 KS 스코어를 기록하여 데이터가 부족한 MSEs를 다룰 때 관계 및 속성 정보를 효과적으로 활용함으로써 뛰어난 강건성과 해석 가능성 확보를 입증한다.

ABSTRACT

Risk assessment is a substantial problem for financial institutions that has been extensively studied both for its methodological richness and its various practical applications. With the expansion of inclusive finance, recent attentions are paid to micro and small-sized enterprises (MSEs). Compared with large companies, MSEs present a higher exposure rate to default owing to their insecure financial stability. Conventional efforts learn classifiers from historical data with elaborate feature engineering. However, the main obstacle for MSEs involves severe deficiency in credit-related information, which may degrade the performance of prediction. Besides, financial activities have diverse explicit and implicit relations, which have not been fully exploited for risk judgement in commercial banks. In particular, the observations on real data show that various relationships between company users have additional power in financial risk analysis. In this paper, we consider a graph of banking data, and propose a novel HIDAM model for the purpose. Specifically, we attempt to incorporate heterogeneous information network with rich attributes on multi-typed nodes and links for modeling the scenario of business banking service. To enhance feature representation of MSEs, we extract interactive information through meta-paths and fully exploit path information. Furthermore, we devise a hierarchical attention mechanism respectively to learn the importance of contents inside each meta-path and the importance of different metapahs. Experimental results verify that HIDAM outperforms state-of-the-art competitors on real-world banking data.

연구 동기 및 목표

• 한정된 신용 데이터와 낮은 재무 안정성으로 인한 미소기업(MSEs)의 높은 디폴트 리스크를 해결하기 위해.
• 복잡한 관계 기반 재무 상호작용을 포착하는 데에 한계가 있는 전통적 특징 공학 및 규칙 기반 모델의 한계를 극복하기 위해.
• 특성 부여된 이질적 정보망(AHIN)을 사용해 MSE 디폴트 예측 문제를 그래프 기반 문제로 모델링하기 위해.
• 메타패스를 통한 다중 시각의 관계 데이터(자금, 산업, 지분) 융합을 통해 표현 학습을 향상시키기 위해.
• 더 나은 해석 가능성과 성능을 확보하기 위해 경로-인스턴스 및 메타패스 중요도를 모두 포괄하는 계층적 어텐션 메커니즘 개발하기 위해.

제안 방법

• 다중 유형의 노드(예: 기업, 거래, 지분)와 링크(예: 이체, 소유, 공급망)를 갖는 특성 부여된 이질적 정보망(AHIN)으로 비즈니스 은행 시나리오를 모델링하기 위해.
• C b I b C(기업-은행-거래-기업) 및 C i C(기업-투자자-기업)와 같은 메타패스 정의를 통해 다양한 시각에서 구조화된 관계 패턴을 추출하기 위해.
• 이중 수준의 어텐션 메커니즘 적용: 인스턴스 수준 어텐션은 개별 경로 인스턴스의 가중치를 부여하고, 의미 수준 어텐션은 예측 관련성에 기반해 다양한 메타패스의 가중치를 조정하기 위해.
• 각 메타패스를 따라 노드 특징과 중간 메시지를 집계하여 각 MSE에 대한 풍부하고 맥락 인식형 임베딩을 생성하기 위해.
• 희소 데이터에서 표현 품질과 일반화 능력을 향상시키기 위해 대조 학습 목표를 사용해 모델을 종합적으로 훈련하기 위해.
• 명시적 속성(예: 재무비율)과 암묵적 관계 신호를 통합하여 데이터 부족 환경에서의 특징 학습을 향상시키기 위해.

실험 결과

연구 질문

• RQ1 이질적 정보망이 MSE 디폴트 예측을 위해 자금, 산업, 지분 등의 다중 시각 관계 데이터를 효과적으로 모델링할 수 있는가?
• RQ2 한정된 신용 데이터를 가진 MSE에서 디폴트 리스크를 식별하는 데에 다양한 메타패스가 어떻게 기여하는가?
• RQ3 계층적 어텐션 메커니즘이 디폴트 예측 모델의 해석 가능성과 성능을 어느 정도 향상시키는가?
• RQ4 제안된 HIDAM 모델이 실제 은행 데이터에서 AUC 및 KS 통계치 측면에서 기존 최신 기술 수준(SOTA) 방법들을 능가하는가?
• RQ5 임베딩 차원 및 어텐션 벡터 크기와 같은 하이퍼파rameter에 대해 모델 성능이 얼마나 민감한가?

주요 결과

• HIDAM은 실제 은행 데이터에서 AUC 0.7404와 KS 스코어 0.3600을 기록하여 모든 최신 기술 수준(SOTA) 기준 모델을 능가한다.
• 모델은 추론 분석에서도 강건성을 보이며, 메타패스 학습 또는 어텐션 기능을 제거하는 경우에도 일관되게 성능 저하가 발생하여 AUC가 최대 1.93% 감소한다.
• 의미 수준 어텐션은 지분 관련 메타패스(예: CcPcC, CiC)가 다른 메타패스보다 더 큰 기여를 한다는 것을 드러내며 도메인 기대와 일치한다.
• 인스턴스 수준 어텐션은 특정 디폴트 위험을 가진 상대방(예: C19, C51, C206)을 높은 영향력의 이웃으로 식별하여 모델의 해석 가능성에 기여한다.
• 모델은 임베딩 차원에 가장 민감하며, 중간 수준의 값에서 성능이 최고에 이르다가 과적합이 발생함에 따라 감소한다.
• 어텐션 벡터 차원이 다양한 경우에도 성능이 안정적으로 유지되어 의미적 선호도를 포착하기에 충분한 능력을 지니고 있으며 과적합을 피할 수 있다.