論文の概要: Estimating Fund-Raising Performance for Start-up Projects from a Market Graph Perspective

• arxiv url: http://arxiv.org/abs/2105.12918v1
• Date: Thu, 27 May 2021 02:39:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-28 16:38:03.934804
• Title: Estimating Fund-Raising Performance for Start-up Projects from a Market Graph Perspective
• Title（参考訳）: 市場グラフから見たスタートアッププロジェクトの資金調達実績の推定
• Authors: Likang Wu, Zhi Li, Hongke Zhao, Qi Liu, Enhong Chen
• Abstract要約: 市場環境を利用して未公開プロジェクトの資金調達実績を予測するためのグラフベースの市場環境(GME)モデルを提案する。 具体的には、市場環境を利用して未公開プロジェクトの資金調達実績を予測するグラフベースの市場環境(GME)モデルを提案する。
• 参考スコア（独自算出の注目度）: 58.353799280109904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the online innovation market, the fund-raising performance of the start-up project is a concerning issue for creators, investors and platforms. Unfortunately, existing studies always focus on modeling the fund-raising process after the publishment of a project but the predicting of a project attraction in the market before setting up is largely unexploited. Usually, this prediction is always with great challenges to making a comprehensive understanding of both the start-up project and market environment. To that end, in this paper, we present a focused study on this important problem from a market graph perspective. Specifically, we propose a Graph-based Market Environment (GME) model for predicting the fund-raising performance of the unpublished project by exploiting the market environment. In addition, we discriminatively model the project competitiveness and market preferences by designing two graph-based neural network architectures and incorporating them into a joint optimization stage. Furthermore, to explore the information propagation problem with dynamic environment in a large-scale market graph, we extend the GME model with parallelizing competitiveness quantification and hierarchical propagation algorithm. Finally, we conduct extensive experiments on real-world data. The experimental results clearly demonstrate the effectiveness of our proposed model.
• Abstract（参考訳）: オンラインイノベーション市場では、スタートアッププロジェクトの資金調達パフォーマンスは、クリエーター、投資家、プラットフォームにとって問題となる。 残念なことに、既存の研究はプロジェクトの公開後の資金調達プロセスのモデル化に常に焦点を合わせているが、セットアップ前の市場でのプロジェクトアトラクションの予測はほとんど未定である。 通常、この予測は常にスタートアッププロジェクトと市場環境の両方を包括的に理解する上で大きな課題を抱えています。 そこで,本稿では,市場グラフの観点から,この課題に焦点をあてた研究を行う。 具体的には,市場環境を利用して未公開プロジェクトの資金調達実績を予測するグラフベース市場環境(gme)モデルを提案する。 さらに、2つのグラフベースのニューラルネットワークアーキテクチャを設計し、それらを共同最適化段階に組み込むことにより、プロジェクトの競争性と市場優先性を識別的にモデル化する。 さらに、大規模市場グラフにおける動的環境による情報伝搬問題を探るため、競合性定量化と階層的伝搬アルゴリズムを並列化してGMEモデルを拡張した。 最後に,実世界データに関する広範囲な実験を行う。 実験の結果,提案モデルの有効性が明らかとなった。

関連論文リスト

• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• MCI-GRU: Stock Prediction Model Based on Multi-Head Cross-Attention and Improved GRU [15.232546605091818]
  本稿では,多頭部クロスアテンション機構と改良型GRUに基づくストック予測モデルMCI-GRUを提案する。 4つの主要株式市場での実験では、提案手法は複数の指標でSOTA技術を上回っている。
  論文  参考訳（メタデータ） (2024-09-25T14:37:49Z)
• Enhancing Startup Success Predictions in Venture Capital: A GraphRAG Augmented Multivariate Time Series Method [0.0]
  本稿では,GrahphRAG拡張時系列モデルを用いた新しい手法を提案する。 実験の結果,我々のモデルはスタートアップの成功予測において,過去のモデルよりも大幅に優れていたことがわかった。
  論文  参考訳（メタデータ） (2024-08-18T09:31:13Z)
• Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
  本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。 近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。 この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
  論文  参考訳（メタデータ） (2024-08-13T04:53:31Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
  フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。 FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。 本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-02-02T07:25:53Z)
• Multimodal Gen-AI for Fundamental Investment Research [2.559302299676632]
  本報告では、従来の意思決定プロセスを再考する金融投資業界における変革的イニシアティブについて概説する。 基礎モデル(Llama2)上での微調整手法の有効性を評価し,アプリケーションレベルの目標を達成する。 このプロジェクトには、調査報告、投資メモ、市場ニュース、広範な時系列市場データなど、さまざまなコーパスデータセットが含まれている。
  論文  参考訳（メタデータ） (2023-12-24T03:35:13Z)
• Startup success prediction and VC portfolio simulation using CrunchBase data [1.7897779505837144]
  本稿では、主要な成功のマイルストーンを予測することを目的とした、シリーズBおよびシリーズCの投資ステージにおけるスタートアップに焦点を当てる。 スタートアップの成功を予測するための新しいディープラーニングモデルを導入し、資金調達指標、創業者の特徴、業界カテゴリなど、さまざまな要素を統合する。 私たちの研究は、スタートアップの成功を予測する上で、ディープラーニングモデルと代替の非構造化データによるかなりの可能性を実証しています。
  論文  参考訳（メタデータ） (2023-09-27T10:22:37Z)
• Fairness-Aware Graph Neural Networks: A Survey [53.41838868516936]
  グラフニューラルネットワーク(GNN)はその表現力と最先端の予測性能によってますます重要になっている。 GNNは、基礎となるグラフデータと基本的な集約メカニズムによって生じる公平性の問題に悩まされる。 本稿では,GNNの公平性向上のためのフェアネス手法の検討と分類を行う。
  論文  参考訳（メタデータ） (2023-07-08T08:09:06Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)

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。