博士论文 | ETH Zurich 2024 | 金融网络与图学习的其他探索 219页

在本论文中，我们从机器学习和理论的角度研究图问题。特别地，我们探索了金融(financial)领域中的应用，重点关注欺诈检测(fraud detection)、中央银行救助和贷款(central bank bailouts, and lending)问题。论文分为两个主要部分，大致对应于这两种视角。

第一部分，我们对图神经网络（GNN）进行了修改，以提高其表达能力，并使其适应不同类型的图。首先，我们研究了交易图中的金融犯罪检测。该领域存在明显的真实世界数据缺乏，因此我们首先建立了新的基准数据集。我们引入了一种新的模拟器，用于生成逼真的反洗钱数据集，并将这些数据集贡献给公众使用。在此数据的基础上，我们使用GNN进行欺诈检测。我们提出了一组对标准GNN的修改，使其能够在有向多重图中检测复杂的子图模式，包括常见的欺诈模式。我们的实验表明，这些修改后的GNN在检测洗钱方案和网络钓鱼攻击方面具有有效性。此外，我们证明这些修改使得GNN能够检测所有子图模式，突出了它们在图学习中的更广泛应用。

远离欺诈检测，我们还探索了通过预先计算的节点特征来提高GNN的性能。空间嵌入在提高表达能力的同时，证明了在泛化方面最为成功。然而，比较其他节点特征时，我们发现理论上的表达能力并不总是能够转化为实际中的效果。

最后，我们提出了一种新工具——Graphtester，用于系统地分析GNN的表达能力。我们为评估图transformers的表达能力奠定了理论基础，使其能够与传统的GNN进行统一分析。该工具提供了明确的证据，表明表达能力在真实世界数据集中很少是瓶颈。我们还展示了如何使用Graphtester来分析并提高模型和基准的有效性。

论文的第二部分聚焦于金融网络的理论分析，即由金融机构通过未偿债务相互连接所构成的图。我们研究了中央银行的最佳银行救助问题，确定了在不同条件下的计算复杂性，并突出了潜在的易受利用的漏洞。我们证明了该优化问题是NP困难的，并且在某些条件下，甚至对其进行近似也是NP困难的。

随后，我们分析了网络结构对金融网络中贷款行为的影响。我们探索了网络拓扑如何影响贷款价格和网络稳定性。有趣的是，在确定性资产的情况下，网络拓扑仅影响借款人的回收率，而不影响贷款人的均衡价格。因此，网络中的所有银行都会为贷款收取相同的价格。然而，在随机资产的情况下，银行可能会有不同的均衡价格。

最后，与当前时代相关的是，我们简要探讨了大语言模型的领域。我们提出了一种简单有效的方法，将特定的关键词或主题融入文本生成中。我们的方法改善了对生成内容的控制，同时保持了流畅性。

总的来说，这篇论文在两个主要领域作出了贡献。我们介绍了改善GNN表达能力的有效方法，并证明了金融网络中的救助和贷款问题的重要结果。论文展示了机器学习和理论方法在图问题中的互补优势。