Graph Neural Networks [Teil 1]: Graphen

Was sind Graphen und was für Anwendungsfälle haben sie im Finanzwesen?

In anderen Artikeln, wie z.B. Computer Vision für Finance [Teil 2]: Convolutional Neural Networks, haben wir vorgestellt, dass Deep-Learning Modelle selbst unstrukturierte Daten wie Text- und Bildmaterial in strukturierte Erkenntnisse umwandeln können.

Eine weitere besondere und vielfältige Datenstruktur ist der Graph, der aus Knoten und Kanten besteht. Graphen werden genutzt um soziale Netzwerke, Straßennetze, chemische Moleküle und andere vernetzte, relationale oder prozessuale Sachverhalte darzustellen. Allerdings ist Graphentheorie, heutzutage auch bekannt als Netzwerkanalyse, kein neues wissenschaftliches Feld, sondern viele mathematische und algorithmische Problemlösungsansätze existieren bereits. Dennoch gibt es für Graphenprobleme oft keine optimalen oder nicht-deterministischen Lösungen.

Andererseits haben DL-Modelle als starke Optimierungsmaschinen große Fortschritte bei der Modellierung von ungewöhnlichen Datenstrukturen durch Embedding- oder Convolution-Methoden gemacht. Der Einsatz solcher Methoden in sog. „Graph Neural Networks“ (GNN) hat auch zu Durchbrüchen bei der Optimierung und Modellierung von Graphenproblemen geführt.

Eine kurze Einführung in Graphen und was man mit Ihnen im Finanzwesen modellieren kann, finden Sie im unteren Karussell. In dem zweiten Teil werden ihre genauen Einsatzmöglichkeiten, sowie die Funktionsweise der GNN-Modelle erläutert.

Verfasst von Dr. Carsten Keller und Tom Walter