論文の概要: DeepTrust: A Reliable Financial Knowledge Retrieval Framework For
Explaining Extreme Pricing Anomalies
- arxiv url: http://arxiv.org/abs/2203.08144v1
- Date: Fri, 11 Mar 2022 06:29:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-20 22:49:01.881892
- Title: DeepTrust: A Reliable Financial Knowledge Retrieval Framework For
Explaining Extreme Pricing Anomalies
- Title（参考訳）: DeepTrust: 極額価格異常を説明するための信頼性の高い金融知識検索フレームワーク
- Authors: Pok Wah Chan
- Abstract要約: DeepTrustは、Twitter上の信頼できる金融知識検索フレームワークで、極端な価格変動を高速で説明する。
提案するフレームワークは,異常検出,情報検索,信頼性評価のための3つのモジュールから構成される。
このフレームワークは2021年4月29日と30日の2つの自己注釈付き金融異常、すなわちTwitterとFacebookの株価で評価されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extreme pricing anomalies may occur unexpectedly without a trivial cause, and
equity traders typically experience a meticulous process to source disparate
information and analyze its reliability before integrating it into the trusted
knowledge base. We introduce DeepTrust, a reliable financial knowledge
retrieval framework on Twitter to explain extreme price moves at speed, while
ensuring data veracity using state-of-the-art NLP techniques. Our proposed
framework consists of three modules, specialized for anomaly detection,
information retrieval and reliability assessment. The workflow starts with
identifying anomalous asset price changes using machine learning models trained
with historical pricing data, and retrieving correlated unstructured data from
Twitter using enhanced queries with dynamic search conditions. DeepTrust
extrapolates information reliability from tweet features, traces of generative
language model, argumentation structure, subjectivity and sentiment signals,
and refine a concise collection of credible tweets for market insights. The
framework is evaluated on two self-annotated financial anomalies, i.e., Twitter
and Facebook stock price on 29 and 30 April 2021. The optimal setup outperforms
the baseline classifier by 7.75% and 15.77% on F0.5-scores, and 10.55% and
18.88% on precision, respectively, proving its capability in screening
unreliable information precisely. At the same time, information retrieval and
reliability assessment modules are analyzed individually on their effectiveness
and causes of limitations, with identified subjective and objective factors
that influence the performance. As a collaborative project with Refinitiv, this
framework paves a promising path towards building a scalable commercial
solution that assists traders to reach investment decisions on pricing
anomalies with authenticated knowledge from social media platforms in
real-time.
- Abstract（参考訳）: 極端な価格異常は自明な理由なしに予期せず発生しうるし、エクイティトレーダは通常、信頼できる知識ベースに統合する前に、異なる情報をソースし、その信頼性を分析するための精巧なプロセスを経験する。
我々は、Twitter上で信頼性の高い金融知識検索フレームワークであるDeepTrustを導入し、最先端のNLP技術を用いてデータの正確性を確保しながら、極端な価格変動を高速で説明する。
提案手法は,異常検出,情報検索,信頼性評価に特化した3つのモジュールからなる。
ワークフローは、過去の価格データでトレーニングされた機械学習モデルを使用して異常な資産価格変化を識別することから始まり、動的検索条件を備えた拡張クエリを使用して、twitterから非構造化データを検索する。
DeepTrustは、ツイート機能、生成言語モデルのトレース、議論構造、主観性と感情信号から情報の信頼性を推定し、市場洞察のための正確なツイートのコレクションを洗練する。
このフレームワークは2021年4月29日と30日の2つの自己注釈付き金融異常、すなわちTwitterとFacebookの株価で評価されている。
最適な設定は、ベースライン分類器をf0.5-scoreで7.75%、15.77%、精度で10.55%、および18.88%で上回り、信頼性の低い情報を正確にスクリーニングする能力を証明する。
同時に、情報検索および信頼性評価モジュールは、その効果と限界の原因を個別に分析し、その性能に影響を与える主観的および客観的要因を同定する。
refinitivとのコラボレーションプロジェクトとして、このフレームワークは、トレーダーがソーシャルメディアプラットフォームからの認証された知識による価格異常に対する投資判断をリアルタイムで達成するための、スケーラブルな商用ソリューションを構築するための、有望な道を開く。
関連論文リスト
- MisinfoEval: Generative AI in the Era of "Alternative Facts" [50.069577397751175]
本稿では,大規模言語モデル(LLM)に基づく誤情報介入の生成と評価を行うフレームワークを提案する。
本研究では,(1)誤情報介入の効果を測定するための模擬ソーシャルメディア環境の実験,(2)ユーザの人口動態や信念に合わせたパーソナライズされた説明を用いた第2の実験について述べる。
以上の結果から,LSMによる介入はユーザの行動の修正に極めて有効であることが確認された。
論文 参考訳（メタデータ） (2024-10-13T18:16:50Z) - A Customer Level Fraudulent Activity Detection Benchmark for Enhancing Machine Learning Model Research and Evaluation [0.4681661603096334]
本研究では,顧客レベルの不正検出に特化して設計された構造化データセットを含むベンチマークを提案する。
このベンチマークは、ユーザの機密性を確保するために厳格なプライバシーガイドラインに準拠しているだけでなく、顧客中心の機能をカプセル化することによって、豊富な情報ソースを提供する。
論文 参考訳（メタデータ） (2024-04-23T04:57:44Z) - Reliability Estimation of News Media Sources: Birds of a Feather Flock Together [0.7249731529275342]
本稿では,強化学習戦略を活用した情報源信頼度推定手法を提案する。
本手法を,既存データセットよりも桁違いに大きいニュースメディア信頼性データセット上で検証した。
我々は、情報検証に取り組んでいるNLPコミュニティにとって貴重なリソースを提供することを目的として、実装とデータセットをリリースする。
論文 参考訳（メタデータ） (2024-04-15T08:27:47Z) - On the Potential of Network-Based Features for Fraud Detection [3.0846824529023382]
本稿では、パーソナライズされたPageRank(PPR)アルゴリズムを用いて、詐欺の社会的ダイナミクスを捉える。
主な目的は、従来の特徴と不正検出モデルにおけるPPRの追加を比較することである。
その結果,PPRの統合はモデルの予測能力を向上し,ベースラインモデルを上回ることが示唆された。
論文 参考訳（メタデータ） (2024-02-14T13:20:09Z) - Privacy-Preserving Financial Anomaly Detection via Federated Learning & Multi-Party Computation [17.314619091307343]
本稿では、金融機関が高精度な異常検出モデルを共同で訓練できるプライバシー保護フレームワークについて述べる。
当社のソリューションは,顧客データのプライバシを保ちながら,高精度な異常検出モデルをトレーニングすることを可能にする。
論文 参考訳（メタデータ） (2023-10-06T19:16:41Z) - Preserving Knowledge Invariance: Rethinking Robustness Evaluation of
Open Information Extraction [50.62245481416744]
実世界におけるオープン情報抽出モデルの評価をシミュレートする最初のベンチマークを示す。
我々は、それぞれの例が知識不変のcliqueである大規模なテストベッドを設計し、注釈付けする。
さらにロバスト性計量を解明することにより、その性能が全体の傾きに対して一貫して正確であるならば、モデルはロバストであると判断される。
論文 参考訳（メタデータ） (2023-05-23T12:05:09Z) - Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。
バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。
多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2023-04-21T09:03:18Z) - KGTrust: Evaluating Trustworthiness of SIoT via Knowledge Enhanced Graph
Neural Networks [63.531790269009704]
ソーシャル・インターネット・オブ・モノ(Social Internet of Things, SIoT)は、スマート・オブジェクト(物)にソーシャルネットワークの概念を注入する、有望で新興のパラダイムである。
リスクと不確実性のため、解決すべき重要かつ緊急の問題は、SIoT内で信頼性の高い関係、すなわち信頼評価を確立することである。
本稿では,SIoTにおける信頼度向上のための知識強化グラフニューラルネットワーク(KGTrust)を提案する。
論文 参考訳（メタデータ） (2023-02-22T14:24:45Z) - Exploring the Trade-off between Plausibility, Change Intensity and
Adversarial Power in Counterfactual Explanations using Multi-objective
Optimization [73.89239820192894]
自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。
本稿では, 対実例生成のための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2022-05-20T15:02:53Z) - Personalized multi-faceted trust modeling to determine trust links in
social media and its potential for misinformation management [61.88858330222619]
ソーシャルメディアにおけるピア間の信頼関係を予測するためのアプローチを提案する。
本稿では,データ駆動型多面信頼モデルを提案する。
信頼を意識したアイテムレコメンデーションタスクで説明され、提案したフレームワークを大規模なYelpデータセットのコンテキストで評価する。
論文 参考訳（メタデータ） (2021-11-11T19:40:51Z) - A Sentiment Analysis Dataset for Trustworthiness Evaluation [22.734197353027632]
深層学習モデルはブラックボックス問題のために信頼できないとしばしば批判される。
我々は、頑健さと解釈可能性を評価するために、新しくよく注釈付けされた感情分析データセットをリリースする。
論文 参考訳（メタデータ） (2021-08-30T11:58:16Z)
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。