SE-HG-GNN: новый интерпретируемый подход глубокого обучения для прогнозирования финансовой несостоятельности с использованием оптимизированных графовых нейронных сетей

Прогнозирование финансовой несостоятельности (FD) является важной задачей для лиц, принимающих решения. Точное прогнозирование финансовой несостоятельности помогает компаниям и их инвесторам избегать значительных убытков. Существующие модели прогнозирования FD не обеспечивают высокой точности по различным причинам, включая статический отбор признаков, дисбаланс классов, недостаточную настройку гиперпараметров и отсутствие интерпретируемости. Для решения этих проблем в настоящем исследовании предложена новая модель глубокого обучения, получившая название гетерогенной графовой нейронной сети со сжатием и возбуждением (Squeeze-and-Excitation Heterogeneous Graph Neural Network, SE-HG-GNN), предназначенная для устойчивой классификации несбалансированных наборов данных. Модель объединяет графовые нейронные сети и управляемые рекуррентные блоки (Gated Recurrent Units, GRUs) для временного кодирования и агрегации сообщений. Итоговое представление формируется с помощью механизма внимания, который динамически оценивает относительную важность собственного контекста и контекста соседних узлов. Для максимизации прогностической эффективности гиперпараметры модели настраиваются с использованием модифицированного алгоритма оптимизации паука-осы (Modified Spider Wasp Optimization, MSWO). Кроме того, устойчивость обучения к дисбалансу классов обеспечивается применением функции фокальной потери. Результаты экспериментов и анализ SHapley Additive exPlanations (SHAP) показывают, что модель SE-HG-GNN, настроенная с помощью MSWO, обеспечивает более высокую точность и улучшенную интерпретируемость по сравнению с конфигурациями по умолчанию.