論文の概要: Machine Learning in Finance-Emerging Trends and Challenges

• arxiv url: http://arxiv.org/abs/2110.11999v1
• Date: Fri, 8 Oct 2021 09:14:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-31 09:25:58.154523
• Title: Machine Learning in Finance-Emerging Trends and Challenges
• Title（参考訳）: 金融新興分野における機械学習の動向と課題
• Authors: Jaydip Sen, Rajdeep Sen, Abhishek Dutta
• Abstract要約: 機械学習と人工知能のパラダイムが私たちの日常生活に浸透し、もはや神秘的な学者や科学者の領域ではない。 処理速度の指数的な成長により、組織はビジネス価値をはるかに上回るソリューションを実現するために、膨大な量のデータを活用することが可能になった。 この入門章では、マシンラーニングと人工知能ベースのモデルとアプリケーションを日々の運用で採用する上で、金融サービスセクターの組織が直面している課題と障壁を取り上げている。
• 参考スコア（独自算出の注目度）: 1.2891210250935146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The paradigm of machine learning and artificial intelligence has pervaded our everyday life in such a way that it is no longer an area for esoteric academics and scientists putting their effort to solve a challenging research problem. The evolution is quite natural rather than accidental. With the exponential growth in processing speed and with the emergence of smarter algorithms for solving complex and challenging problems, organizations have found it possible to harness a humongous volume of data in realizing solutions that have far-reaching business values. This introductory chapter highlights some of the challenges and barriers that organizations in the financial services sector at the present encounter in adopting machine learning and artificial intelligence-based models and applications in their day-to-day operations.
• Abstract（参考訳）: 機械学習と人工知能のパラダイムは、もはや謎の学者や科学者が困難な研究問題を解決するために努力する領域ではないように、私たちの日常生活を広めてきました。 進化は偶然ではなく自然である。 処理速度の指数的増加と、複雑で困難な問題を解決するためのよりスマートなアルゴリズムの出現により、組織は、ビジネス価値をはるかに高めるソリューションを実現するために、大量のデータを活用することが可能になった。 この入門章では、マシンラーニングと人工知能ベースのモデルとアプリケーションを日々の運用で採用する上で、金融サービスセクターの組織が直面する課題と障壁を取り上げている。

関連論文リスト

• A Survey on State-of-the-art Deep Learning Applications and Challenges [0.0]
  ディープラーニングモデルの構築は、アルゴリズムの複雑さと現実世界の問題の動的な性質のため、難しい。 本研究の目的は,コンピュータビジョン,自然言語処理,時系列解析,広範コンピューティングにおける最先端のディープラーニングモデルを網羅的にレビューすることである。
  論文  参考訳（メタデータ） (2024-03-26T10:10:53Z)
• On the Challenges and Opportunities in Generative AI [135.2754367149689]
  現在の大規模生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの基本的な問題に十分対応していない、と我々は主張する。 本研究は、現代の生成型AIパラダイムにおける重要な未解決課題を特定し、その能力、汎用性、信頼性をさらに向上するために取り組まなければならない。
  論文  参考訳（メタデータ） (2024-02-28T15:19:33Z)
• Evolve the Model Universe of a System Universe [7.435569269857048]
  我々は,ソフトウェア工学,進化計算,機械学習といった技術を組み合わせて,モデル宇宙を支援するというビジョンを提示する。 デジタルツインのような既存の技術は、そのようなシステムと連続的に同期することで、最も更新された状態を反映することができる。
  論文  参考訳（メタデータ） (2023-09-23T11:30:26Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• The Future of Fundamental Science Led by Generative Closed-Loop Artificial Intelligence [67.70415658080121]
  機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。 AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。 ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
  論文  参考訳（メタデータ） (2023-07-09T21:16:56Z)
• Machine Unlearning: A Survey [56.79152190680552]
  プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。 この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。 この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。 この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
  論文  参考訳（メタデータ） (2023-06-06T10:18:36Z)
• High Performance Computing and Computational Intelligence Applications with MultiChaos Perspective [0.0]
  新型コロナウイルスのパンデミックは、共通の幸福を達成するために複雑なプロセスを理解する必要性を強調している。 現代の高性能コンピューティング技術、量子コンピューティング、コンピュータインテリジェンスは非常に効率的であることが示されている。 もし企業がこれらの技術や技術に精通しているなら、予想外のシナリオにもっと効果的に対処できるでしょう。
  論文  参考訳（メタデータ） (2022-11-25T15:05:47Z)
• From Machine Learning to Robotics: Challenges and Opportunities for Embodied Intelligence [113.06484656032978]
  記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。 私たちは、インテリジェンスを具体化するための課題と機会を強調します。 本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
  論文  参考訳（メタデータ） (2021-10-28T16:04:01Z)
• Machine learning and deep learning [0.0]
  機械学習は、問題固有のトレーニングデータから学習するシステムの能力を記述する。 ディープラーニングは、人工ニューラルネットワークに基づく機械学習の概念である。
  論文  参考訳（メタデータ） (2021-04-12T09:54:12Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)
• Qualities, challenges and future of genetic algorithms: a literature review [0.0]
  遺伝的アルゴリズムは自然進化をシミュレートするコンピュータプログラムである。 ニューラルネットワークアーキテクチャ探索から戦略ゲームまで,さまざまな最適化問題の解決に使用されている。 GPU、並列コンピューティング、量子コンピューティングなどの最近の発展、強力なパラメータ制御法の概念、表現戦略における新しいアプローチは、それらの限界を克服するための鍵となるかもしれない。
  論文  参考訳（メタデータ） (2020-11-05T17:53:33Z)

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。