Fugu-MT 論文翻訳(概要): How Robust are Limit Order Book Representations under Data Perturbation?

論文の概要: How Robust are Limit Order Book Representations under Data Perturbation?

arxiv url: http://arxiv.org/abs/2110.04752v1
Date: Sun, 10 Oct 2021 10:14:47 GMT
ステータス: 処理完了
システム内更新日: 2021-10-16 16:38:14.996446
Title: How Robust are Limit Order Book Representations under Data Perturbation?
Title（参考訳）: データ摂動下でのリミットオーダーブック表現はどの程度堅牢か?
Authors: Yufei Wu, Mahmoud Mahfouz, Daniele Magazzeni, Manuela Veloso
Abstract要約: 本稿では,リミットオーダーブックデータの表現に注目し,そのようなデータの表現を学習する機会と課題について論じる。本稿では,既存の表現にまつわる問題点を実験的に分析し,今後の研究の指針を提示する。
参考スコア（独自算出の注目度）: 17.243613058064494
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The success of machine learning models in the financial domain is highly reliant on the quality of the data representation. In this paper, we focus on the representation of limit order book data and discuss the opportunities and challenges for learning representations of such data. We also experimentally analyse the issues associated with existing representations and present a guideline for future research in this area.
Abstract（参考訳）: 金融分野における機械学習モデルの成功は、データ表現の品質に大きく依存しています。本稿では,リミットオーダーブックデータの表現に着目し,そのようなデータの表現を学習する機会と課題について議論する。また,既存の表現に関する問題点を実験的に解析し,この分野における今後の研究の指針を示す。

関連論文リスト

From Pixels to Insights: A Survey on Automatic Chart Understanding in the Era of Large Foundation Models [98.41645229835493]
グラフ形式のデータの可視化は、データ分析において重要な役割を担い、重要な洞察を提供し、情報的な意思決定を支援する。大規模言語モデルのような大規模な基盤モデルは、様々な自然言語処理タスクに革命をもたらした。本研究は,自然言語処理,コンピュータビジョン,データ解析の分野における研究者や実践者の包括的資源として機能する。
論文参考訳（メタデータ） (2024-03-18T17:57:09Z)
Large Language Models(LLMs) on Tabular Data: Prediction, Generation, and Understanding -- A Survey [17.19337964440007]
現在、この研究領域における主要なテクニック、メトリクス、データセット、モデル、最適化アプローチを要約し比較する包括的なレビューが欠如しています。この調査は、これらの領域における最近の進歩を集約し、使用するデータセット、メトリクス、方法論の詳細な調査と分類を提供することによって、このギャップに対処することを目的としている。既存の文献の強さ、限界、未探索領域、ギャップを識別し、この重要かつ急速に発展する分野における将来の研究の方向性についていくつかの洞察を提供する。
論文参考訳（メタデータ） (2024-02-27T23:59:01Z)
Capture the Flag: Uncovering Data Insights with Large Language Models [90.47038584812925]
本研究では,Large Language Models (LLMs) を用いてデータの洞察の発見を自動化する可能性について検討する。そこで本稿では,データセット内の意味的かつ関連する情報(フラグ)を識別する能力を測定するために,フラグを捕捉する原理に基づく新しい評価手法を提案する。
論文参考訳（メタデータ） (2023-12-21T14:20:06Z)
Assessing Privacy Risks in Language Models: A Case Study on Summarization Tasks [65.21536453075275]
我々は要約作業に焦点をあて、会員推測(MI)攻撃について調査する。テキストの類似性や文書修正に対するモデルの抵抗をMI信号として活用する。我々は、MI攻撃から保護するための要約モデルの訓練と、プライバシとユーティリティの本質的にのトレードオフについて議論する。
論文参考訳（メタデータ） (2023-10-20T05:44:39Z)
Image Synthesis under Limited Data: A Survey and Taxonomy [7.842633705001051]
与えられたデータ分布を再現して新しいサンプルを作成することを目的とした深層生成モデルは、近年、前例のない進歩を遂げている。限られたデータに基づいてトレーニングを行う場合、生成モデルは過度な適合と記憶によるパフォーマンス劣化に悩まされる傾向にある。本調査は,限られたデータに基づく画像合成の開発に関する包括的レビューと新しい分類法を提供する。
論文参考訳（メタデータ） (2023-07-31T17:45:16Z)
REFinD: Relation Extraction Financial Dataset [7.207699035400335]
提案するREFinDは,$sim$29Kのインスタンスと8種類のエンティティペア間の22のリレーションを持つ,最初の大規模アノテートされた関係データセットである。様々な最先端ディープラーニングモデルが,数値推論,関係性,方向性のあいまいさに悩まされていることを観察した。
論文参考訳（メタデータ） (2023-05-22T22:40:11Z)
Embrace Limited and Imperfect Training Datasets: Opportunities and Challenges in Plant Disease Recognition Using Deep Learning [5.526950086166696]
貧弱なデータセットを受け入れることは可能であり、これらのデータセットの使用に伴う課題を明確に定義することを目的としています。我々は植物病の認識に重点を置いているが、貧しいデータセットの受け入れと分析の原則は農業を含む幅広い分野に適用可能であることを強調している。
論文参考訳（メタデータ） (2023-05-19T08:58:09Z)
Process-BERT: A Framework for Representation Learning on Educational Process Data [68.8204255655161]
本稿では,教育プロセスデータの表現を学習するためのフレームワークを提案する。我々のフレームワークは、BERT型の目的を用いて、シーケンシャルなプロセスデータから表現を学習する事前学習ステップで構成されています。当社のフレームワークは,2019年国のレポートカードデータマイニングコンペティションデータセットに適用しています。
論文参考訳（メタデータ） (2022-04-28T16:07:28Z)
Causal Reasoning Meets Visual Representation Learning: A Prospective Study [117.08431221482638]
解釈可能性の欠如、堅牢性、分布外一般化が、既存の視覚モデルの課題となっている。人間レベルのエージェントの強い推論能力にインスパイアされた近年では、因果推論パラダイムの開発に多大な努力が注がれている。本稿では,この新興分野を包括的に概観し,注目し,議論を奨励し,新たな因果推論手法の開発の急激さを先導することを目的とする。
論文参考訳（メタデータ） (2022-04-26T02:22:28Z)
A Tutorial on Learning Disentangled Representations in the Imaging Domain [13.320565017546985]
汎用表現学習のアプローチとして, 遠方表現学習が提案されている。適切な汎用表現は、控えめな量のデータを使用して、新しいターゲットタスクに対して容易に微調整できる。解離表現はモデル説明可能性を提供し、変動要因の根底にある因果関係を理解するのに役立つ。
論文参考訳（メタデータ） (2021-08-26T21:44:10Z)
Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。私たちのフレームワークは、サンプル間の関係をよく保存します。サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文参考訳（メタデータ） (2020-07-11T10:57:45Z)

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。