論文の概要: Crowdfunding Dynamics Tracking: A Reinforcement Learning Approach
- arxiv url: http://arxiv.org/abs/1912.12016v1
- Date: Fri, 27 Dec 2019 08:00:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-10 00:06:25.597900
- Title: Crowdfunding Dynamics Tracking: A Reinforcement Learning Approach
- Title（参考訳）: クラウドファンディングのダイナミクス追跡:強化学習アプローチ
- Authors: Jun Wang, Hefu Zhang, Qi Liu, Zhen Pan, Hanqing Tao
- Abstract要約: 本稿では,クラウドファンディングにおける資金調達の進捗を予測するために,Trjectory-based Continuous Control for Crowdfunding (TC3)アルゴリズムを提案する。
具体的には、投資家とキャンペーンの関係をモデル化するためにアクター批判的なフレームワークが使用され、すべての投資家がエージェントと見なされる。
Indiegogoデータセットの実験は、我々の手法の有効性を実証するだけでなく、TC3-Optionsが学習したパターン全体がU字型である、という私たちの仮定を検証する。
- 参考スコア（独自算出の注目度）: 23.444970024083457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent years have witnessed the increasing interests in research of
crowdfunding mechanism. In this area, dynamics tracking is a significant issue
but is still under exploration. Existing studies either fit the fluctuations of
time-series or employ regularization terms to constrain learned tendencies.
However, few of them take into account the inherent decision-making process
between investors and crowdfunding dynamics. To address the problem, in this
paper, we propose a Trajectory-based Continuous Control for Crowdfunding (TC3)
algorithm to predict the funding progress in crowdfunding. Specifically,
actor-critic frameworks are employed to model the relationship between
investors and campaigns, where all of the investors are viewed as an agent that
could interact with the environment derived from the real dynamics of
campaigns. Then, to further explore the in-depth implications of patterns
(i.e., typical characters) in funding series, we propose to subdivide them into
$\textit{fast-growing}$ and $\textit{slow-growing}$ ones. Moreover, for the
purpose of switching from different kinds of patterns, the actor component of
TC3 is extended with a structure of options, which comes to the TC3-Options.
Finally, extensive experiments on the Indiegogo dataset not only demonstrate
the effectiveness of our methods, but also validate our assumption that the
entire pattern learned by TC3-Options is indeed the U-shaped one.
- Abstract（参考訳）: 近年、クラウドファンディングメカニズムの研究への関心が高まっている。
この領域では、動的追跡は重大な問題であるが、まだ探索中である。
既存の研究は時系列のゆらぎに適合するか、学習傾向を制限するために正規化項を用いるかのどちらかである。
しかし、投資家とクラウドファンディングのダイナミクスの間の固有の意思決定プロセスを考慮する人は少ない。
そこで本研究では,クラウドファンディングにおける資金調達の進捗を予測するために,Trjectory-based Continuous Control for Crowdfunding (TC3)アルゴリズムを提案する。
具体的には、投資家とキャンペーンの関係をモデル化するためにアクター批判的なフレームワークが使用され、そこではすべての投資家が、キャンペーンの実際のダイナミクスに由来する環境と対話できるエージェントと見なされる。
次に、ファイナンスシリーズにおけるパターン(典型的文字)の深い影響をさらに探求するため、$\textit{fast- growing}$と$\textit{slow- growing}$のパターンに分割することを提案する。
さらに、異なる種類のパターンから切り替えるために、TC3のアクターコンポーネントはオプションの構造で拡張され、TC3-Optionsとなる。
最後に、Indiegogoデータセットに関する広範な実験は、我々の手法の有効性を実証するだけでなく、TC3-Optionsが学習したパターン全体がU字型であることの仮定を検証する。
関連論文リスト
- Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。
具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを導入する。
バスケットボール-U,サッカー-U,サッカー-Uの3つの実用的なスポーツゲームデータセットをベンチマークして評価を行った。
論文 参考訳（メタデータ） (2024-05-27T22:15:23Z) - From Asset Flow to Status, Action and Intention Discovery: Early Malice
Detection in Cryptocurrency [9.878712887719978]
理想的な検出モデルは, (I) 早期検出, (II) 良好な解釈性, (III) 様々な不正行為に対する汎用性の3つの重要な特性をすべて達成できることが期待される。
Intention-Monitor for early malice detection in Bitcoin (BTC)では、特定のアドレスのオンチェーンレコードデータが他の暗号通貨プラットフォームよりもはるかに少ない。
我々のモデルは高度に解釈可能であり、様々な違法な活動を検出することができる。
論文 参考訳（メタデータ） (2023-09-26T07:12:59Z) - TrackFlow: Multi-Object Tracking with Normalizing Flows [36.86830078167583]
トラッキング・バイ・ディテクトをマルチモーダル・セッティングに拡張することを目的としている。
3D情報の大まかな見積も利用可能であり、他の伝統的なメトリクスとマージする必要がある。
提案手法は,複数のトラッキング・バイ・検出アルゴリズムの性能を継続的に向上させる。
論文 参考訳（メタデータ） (2023-08-22T15:40:03Z) - BIRP: Bitcoin Information Retrieval Prediction Model Based on Multimodal
Pattern Matching [2.2945578854972446]
CC情報から類似したPCの動きをランク付けする手法を提案する。
追加機能としてこれを活用することで,モデルの方向性予測能力が向上することを示す。
非常に不安定な価格のため、私たちのランク付けと方向性予測の方法論をBitcoinに適用する。
論文 参考訳（メタデータ） (2023-08-14T07:04:23Z) - Toward Intention Discovery for Early Malice Detection in Bitcoin [7.627156550422715]
理想的な検出モデルは, (I) 早期検出, (II) 良好な解釈性, (III) 様々な不正行為に対する汎用性の3つの特性をすべて達成できることが期待される。
アドレスの初期特性を記述した資産移動経路を提案する。
階層的自己注意予測器は、所定のアドレスのラベルをリアルタイムで予測する。
論文 参考訳（メタデータ） (2022-09-24T13:04:22Z) - SSMTL++: Revisiting Self-Supervised Multi-Task Learning for Video
Anomaly Detection [108.57862846523858]
自己教師型マルチタスク学習フレームワークを再考し、元の手法にいくつかのアップデートを提案する。
マルチヘッド・セルフアテンション・モジュールを導入することで3次元畳み込みバックボーンを近代化する。
モデルをさらに改良するために,セグメントマップの予測などの自己指導型学習タスクについて検討した。
論文 参考訳（メタデータ） (2022-07-16T19:25:41Z) - Assortment Optimization with Customer Choice Modeling in a Crowdfunding
Setting [0.0]
本研究では,顧客行動選択モデルにおけるプラットフォーム機能の重要性について検討する。
私たちは、プラットフォームが到着するすべての顧客に提供可能な最高の選択肢を予測するために、よく知られた2つの機械学習手法を実装しました。
論文 参考訳（メタデータ） (2022-07-14T22:36:10Z) - Confident Adaptive Language Modeling [95.45272377648773]
CALMは、入力と生成時間ごとに異なる量の計算を動的に割り当てるフレームワークである。
ハイパフォーマンスを確実に維持しつつ、計算能力、潜在的スピードアップを最大3ドルまで削減する上で、我々のフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2022-07-14T17:00:19Z) - Averaging Spatio-temporal Signals using Optimal Transport and Soft
Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。
手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文 参考訳（メタデータ） (2022-03-11T09:46:22Z) - How COVID-19 Have Changed Crowdfunding: Evidence From GoFundMe [77.34726150561087]
この研究は、過去2年間にGoFundMeで公開されたすべてのキャンペーンのユニークなデータセットを使用する。
我々は、クラウドファンディングサイトに存在するカバーイメージやその他の変数を分析し、クラウドファンドされたプロジェクトのコーパスについて研究する。
論文 参考訳（メタデータ） (2021-06-18T08:03:58Z) - Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。
提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
論文 参考訳（メタデータ） (2020-11-08T10:40:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。