論文の概要: Predicting Mergers and Acquisitions using Graph-based Deep Learning
- arxiv url: http://arxiv.org/abs/2104.01757v1
- Date: Mon, 5 Apr 2021 03:49:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 23:44:22.246069
- Title: Predicting Mergers and Acquisitions using Graph-based Deep Learning
- Title（参考訳）: グラフに基づくディープラーニングによる合併・買収予測
- Authors: Keenan Venuti
- Abstract要約: このプロジェクトの目的は、人気のあるグラフ機械学習フレームワークであるGraphSAGEを利用して、企業のM&A(M&A)を予測することでした。
モデルは検証データセットで81.79%の精度で予測されたため、結果は有望であった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The graph data structure is a staple in mathematics, yet graph-based machine
learning is a relatively green field within the domain of data science. Recent
advances in graph-based ML and open source implementations of relevant
algorithms are allowing researchers to apply methods created in academia to
real-world datasets. The goal of this project was to utilize a popular graph
machine learning framework, GraphSAGE, to predict mergers and acquisitions
(M&A) of enterprise companies. The results were promising, as the model
predicted with 81.79% accuracy on a validation dataset. Given the abundance of
data sources and algorithmic decision making within financial data science,
graph-based machine learning offers a performant, yet non-traditional approach
to generating alpha.
- Abstract（参考訳）: グラフデータ構造は数学では必須であるが、グラフベースの機械学習はデータ科学の領域において比較的グリーンな分野である。
グラフベースのMLと関連するアルゴリズムのオープンソース実装の最近の進歩により、研究者は学術で作成されたメソッドを現実世界のデータセットに適用できるようになった。
このプロジェクトの目的は、一般的なグラフ機械学習フレームワークであるGraphSAGEを使用して、企業の合併と買収(M&A)を予測することである。
モデルは検証データセットで81.79%の精度で予測されたため、結果は有望であった。
金融データサイエンスにおけるデータソースの豊富さとアルゴリズムによる意思決定を考えると、グラフベースの機械学習は、アルファを生成するためのパフォーマンスと非伝統的なアプローチを提供する。
関連論文リスト
- Can Large Language Models Analyze Graphs like Professionals? A Benchmark, Datasets and Models [90.98855064914379]
グラフを処理するために,大規模言語モデル(LLM)のベンチマークであるProGraphを導入する。
その結果,現在のLCMの性能は不満足であり,最高のモデルでは36%の精度しか達成できないことがわかった。
本研究では,6つの広く使用されているグラフライブラリに基づいて,クローリングされたドキュメントと自動生成コードを含むLLM4Graphデータセットを提案する。
論文 参考訳（メタデータ） (2024-09-29T11:38:45Z) - A Survey of Data-Efficient Graph Learning [16.053913182723143]
研究フロンティアとして,データ効率グラフ学習(DEGL)の新たな概念を紹介した。
我々は、自己教師付きグラフ学習、半教師付きグラフ学習、少数ショットグラフ学習など、いくつかの重要な側面に関する最近の進歩を体系的にレビューした。
論文 参考訳（メタデータ） (2024-02-01T09:28:48Z) - Towards Data-centric Graph Machine Learning: Review and Outlook [120.64417630324378]
データ中心グラフ機械学習(DC-GML)という,グラフデータライフサイクルのすべての段階を包含する体系的なフレームワークを導入する。
各段階の完全な分類法が示され、3つの重要なグラフ中心の質問に答える。
我々は、DC-GMLドメインの将来展望を指摘し、その進歩と応用をナビゲートするための洞察を提供する。
論文 参考訳（メタデータ） (2023-09-20T00:40:13Z) - Privacy-Preserving Graph Machine Learning from Data to Computation: A
Survey [67.7834898542701]
我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。
まずプライバシ保護グラフデータを生成する方法を検討する。
次に,プライバシ保護情報を送信する方法について述べる。
論文 参考訳（メタデータ） (2023-07-10T04:30:23Z) - Sparsity exploitation via discovering graphical models in multi-variate
time-series forecasting [1.2762298148425795]
本稿では,グラフ生成モジュールとGNN予測モジュールを含む分離学習手法を提案する。
まず、Graphical Lasso(またはGraphLASSO)を使用して、データから空間パターンを直接利用してグラフ構造を構築します。
次に、これらのグラフ構造と入力データをGCRN(Graph Convolutional Recurrent Network)に適合させて予測モデルをトレーニングする。
論文 参考訳（メタデータ） (2023-06-29T16:48:00Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-05-31T11:04:53Z) - A Framework for Large Scale Synthetic Graph Dataset Generation [2.248608623448951]
この研究は、データセットをプロダクションサイズのグラフにスケールするスケーラブルな合成グラフ生成ツールを提案する。
このツールは、研究者にリリース可能なプロプライエタリなデータセットから、一連のパラメトリックモデルを学ぶ。
一連のデータセットにまたがるフレームワークの一般化可能性を示す。
論文 参考訳（メタデータ） (2022-10-04T22:41:33Z) - Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。
DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
論文 参考訳（メタデータ） (2022-02-16T18:30:33Z) - Self-supervised Graph-level Representation Learning with Local and
Global Structure [71.45196938842608]
自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。
GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。
モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
論文 参考訳（メタデータ） (2021-06-08T05:25:38Z) - Learning Product Graphs Underlying Smooth Graph Signals [15.023662220197242]
本稿では,製品グラフの形式で与えられるデータから構造化グラフを学習する方法を考案する。
この目的のために、まずグラフ学習問題は線形プログラムとして表され、これは(平均的に)最先端のグラフ学習アルゴリズムより優れている。
論文 参考訳（メタデータ） (2020-02-26T03:25:15Z)
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。