Graph Neural Networks [Teil 2]: Erklärung und Anwendungsfälle

Wie funktionieren Graph Neural Networks (GNN) und welche Anwendungsfälle gibt es im Finanzwesen?

Im letzten Artikel haben wir Graphen als vielfältige Datenstrukturen mit weiten Einsatzmöglichkeiten im Finanzwesen vorgestellt.

Wir haben gezeigt, dass Graphen sich eignen um vernetzte, relationale oder prozessuale Sachverhalte abzubilden. Auch haben wir erwähnt, dass die Graphentheorie kein neues wissenschaftliches Feld ist. Aber mit großen Datenmengen und den komplexen Strukturen von Graphen sind die herkömmlichen, algorithmischen Problemlösungsansätze unzureichend.

Andererseits haben DL-Modelle als starke Optimierungsmaschinen große Fortschritte bei der Modellierung von ungewöhnlichen Datenstrukturen wie Texten und Bildern 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.

GNNs bieten neue Analysedimensionen bei der