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unpublished project by exploiting the market environment.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
- Numerical Claim Detection in Finance: A New Financial Dataset,
Weak-Supervision Model, and Market Analysis [4.9524454709622585]
ファイナンシャルドメインにおけるクレーム検出タスクのための新たな財務データセットを構築した。
本稿では,対象物の専門家(SME)の知識を集約関数に組み込んだ,新たな弱スーパービジョンモデルを提案する。
我々は、新しい測度楽観主義を構築することによって、提案したモデルの実用性を実証する」。
論文 参考訳(メタデータ) (2024-02-18T22:55:26Z) - 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) - Market-GAN: Adding Control to Financial Market Data Generation with
Semantic Context [23.773217528211905]
現在の財務データセットにはコンテキストラベルは含まれていない。
現在の技術は、文脈を制御として財務データを生成するように設計されていない。
Market-GANは、制御可能な生成をコンテキストで行うためにGAN(Generative Adversarial Networks)を組み込んだ新しいアーキテクチャである。
論文 参考訳(メタデータ) (2023-09-14T13:42:27Z) - 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) - How to Use Reinforcement Learning to Facilitate Future Electricity
Market Design? Part 1: A Paradigmatic Theory [7.104195252081324]
本稿では、強化学習(RL)に基づくシミュレーションを用いて、共同市場設計のパラダイム理論と詳細な手法を開発する。
シミュレーション結果に基づいて市場設計を検証するために,いくつかの市場操作性能指標を提案する。
論文 参考訳(メタデータ) (2023-05-04T01:30:15Z) - 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) - Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual
Model-Based Reinforcement Learning [109.74041512359476]
視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。
潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。
我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
論文 参考訳(メタデータ) (2020-12-08T18:03:21Z) - Benchmarking Graph Neural Networks [75.42159546060509]
グラフニューラルネットワーク(GNN)は、グラフ上のデータから分析および学習するための標準ツールキットとなっている。
成功している分野が主流で信頼性を持つようになるためには、進捗を定量化するためにベンチマークを開発する必要がある。
GitHubリポジトリは1,800のスターと339のフォークに到達し、提案されているオープンソースフレームワークの有用性を実証している。
論文 参考訳(メタデータ) (2020-03-02T15:58:46Z)
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。