ТЕМПОРАЛЬНІ ГРАФОВІ НЕЙРОННІ МЕРЕЖІ ДЛЯ ПРОГНОЗУВАННЯ СТРАХОВИХ ВИПЛАТ
DOI:
https://doi.org/10.36074/grail-of-science.29.05.2026.126Summary
Прогнозування страхових виплат є складною задачею, оскільки розмір виплати залежить від послідовності подій, поведінки страхувальників, взаємодій із провайдерами та давності попередніх вимог. Табличні моделі й статичні графові нейронні моделі (ГНМ) фіксують атрибути або структуру зв’язків, але не відображають точний порядок подій, тому страхові дані доцільно подавати як темпоральний граф.
Downloads
Downloads
License
Copyright (c) 2026 Олександр Луценко; Сергій Щербак (Scientific advisor)
References
Huang, S., Poursafaei, F., Danovitch, J., Fey, M., Hu, W., Rossi, E., Leskovec, J., Bronstein, M., Rabusseau, G., & Rabbany, R. (2023). Temporal graph benchmark for machine learning on temporal graphs. Advances in Neural Information Processing Systems, 36. https://doi.org/10.48550/arXiv.2307.01026 DOI: https://doi.org/10.52202/075280-0099
Longa, A., Lachi, V., Santin, G., Bianchini, M., Lepri, B., Liò, P., Scarselli, F., & Passerini, A. (2023). Graph neural networks for temporal graphs: State of the art, open challenges, and opportunities. Transactions on Machine Learning Research. https://openreview.net/forum?id=pHCdMat0gI
Zheng, Y., Yi, L., & Wei, Z. (2025). A survey of dynamic graph neural networks. Frontiers of Computer Science, 19(6), 196323. https://doi.org/10.1007/s11704-024-3853-2 DOI: https://doi.org/10.1007/s11704-024-3853-2
Downloads
How to Cite
Issue
Section
Categories
