論文の概要: Graph-Regularized Tensor Regression: A Domain-Aware Framework for
Interpretable Multi-Way Financial Modelling
- arxiv url: http://arxiv.org/abs/2211.05581v1
- Date: Wed, 26 Oct 2022 13:39:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 23:56:58.141635
- Title: Graph-Regularized Tensor Regression: A Domain-Aware Framework for
Interpretable Multi-Way Financial Modelling
- Title(参考訳): graph-regularized tensor regression: 解釈可能なマルチウェイファイナンシャルモデリングのためのドメインアウェアフレームワーク
- Authors: Yao Lei Xu, Kriton Konstantinidis, Danilo P. Mandic
- Abstract要約: そこで我々は,グラフラプラシアン行列の形で,相互関係に関する知識をモデルに組み込む新しいグラフ正規化回帰(GRTR)フレームワークを開発した。
テンソル代数(英語版)により、提案されたフレームワークは係数と次元の両方で完全に解釈可能であることが示されている。
GRTRモデルは、マルチウェイの財務予測設定で検証され、計算コストの削減による性能向上が示されている。
- 参考スコア(独自算出の注目度): 23.030263841031633
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Analytics of financial data is inherently a Big Data paradigm, as such data
are collected over many assets, asset classes, countries, and time periods.
This represents a challenge for modern machine learning models, as the number
of model parameters needed to process such data grows exponentially with the
data dimensions; an effect known as the Curse-of-Dimensionality. Recently,
Tensor Decomposition (TD) techniques have shown promising results in reducing
the computational costs associated with large-dimensional financial models
while achieving comparable performance. However, tensor models are often unable
to incorporate the underlying economic domain knowledge. To this end, we
develop a novel Graph-Regularized Tensor Regression (GRTR) framework, whereby
knowledge about cross-asset relations is incorporated into the model in the
form of a graph Laplacian matrix. This is then used as a regularization tool to
promote an economically meaningful structure within the model parameters. By
virtue of tensor algebra, the proposed framework is shown to be fully
interpretable, both coefficient-wise and dimension-wise. The GRTR model is
validated in a multi-way financial forecasting setting and compared against
competing models, and is shown to achieve improved performance at reduced
computational costs. Detailed visualizations are provided to help the reader
gain an intuitive understanding of the employed tensor operations.
- Abstract(参考訳): 金融データの分析は本質的にビッグデータパラダイムであり、そのようなデータは、多くの資産、資産クラス、国、期間にわたって収集される。
これは現代の機械学習モデルにとっての課題であり、そのようなデータを処理するのに必要なモデルパラメータの数はデータ次元とともに指数関数的に増加する。
近年, テンソル分解(TD)技術は, 大規模金融モデルに関連する計算コストを低減し, 同等の性能を実現している。
しかし、テンソルモデルは基礎となる経済領域の知識を取り入れられないことが多い。
そこで我々は,グラフラプラシアン行列(graph laplacian matrix)というモデルにクロスアセット関係に関する知識を組み込む,新しいグラフ正規化テンソル回帰(grtr)フレームワークを開発した。
その後、モデルパラメータ内の経済的に意味のある構造を促進するための正規化ツールとして使用される。
テンソル代数により、提案された枠組みは係数的にも次元的にも完全に解釈可能であることが示されている。
grtrモデルは、多方向金融予測設定で検証され、競合モデルと比較され、計算コストの低減により性能が向上することが示されている。
テンソル操作の直感的な理解を支援するために、詳細な可視化が提供される。
関連論文リスト
- Data-efficient Large Vision Models through Sequential Autoregression [58.26179273091461]
限られたデータセットに基づいて,効率的な自己回帰に基づく視覚モデルを構築する。
このモデルは,高レベル・低レベルのセマンティック理解の両方にまたがる視覚的タスクにおいて,その習熟度をいかに達成するかを実証する。
我々の経験的評価は、モデルが様々なタスクに適応する際の機敏さを強調し、パラメータフットプリントの大幅な削減を図った。
論文 参考訳(メタデータ) (2024-02-07T13:41:53Z) - PanGu-$\pi$: Enhancing Language Model Architectures via Nonlinearity
Compensation [97.78045712375047]
大規模言語モデル(LLM)のための新しい効率的なモデルアーキテクチャを提案する。
そこで,PanGu-$pi$-7Bは,約10%の推論速度を持つベンチマークに匹敵する性能が得られることを示す。
さらに,PanGu-$pi$-7Bを金融法と法律の高価値領域に導入し,実践的応用のためにYunShanというLLMを開発した。
論文 参考訳(メタデータ) (2023-12-27T11:49:24Z) - Provable Tensor Completion with Graph Information [49.08648842312456]
本稿では,動的グラフ正規化テンソル完備問題の解法として,新しいモデル,理論,アルゴリズムを提案する。
我々はテンソルの低ランクおよび類似度構造を同時に捉える包括的モデルを開発する。
理論の観点からは、提案したグラフの滑らか度正規化と重み付きテンソル核ノルムとの整合性を示す。
論文 参考訳(メタデータ) (2023-10-04T02:55:10Z) - Sparse Graphical Linear Dynamical Systems [3.949454031868036]
状態空間モデルにおけるモデルパラメータの推定は、おそらく最も複雑なタスクの1つである。
SSMのコンテキスト内で静的および動的グラフィカルモデリングを組み合わせた共同アプローチは存在しない。
本稿では,DGLASSOを提案する。DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO。
論文 参考訳(メタデータ) (2023-07-06T14:10:02Z) - Scaling Laws Do Not Scale [87.76714490248779]
大規模なAIモデルのトレーニングに使用されるデータセットのサイズが大きくなるにつれて、異なるコミュニティの数が増加する可能性がある、と私たちは主張する。
その結果、データセットで表されるコミュニティが、モデルパフォーマンスを評価するために使用されるメトリクスによってキャプチャされない値や嗜好を持つリスクが増大する。
論文 参考訳(メタデータ) (2023-07-05T15:32:21Z) - Deep incremental learning models for financial temporal tabular datasets
with distribution shifts [0.9790236766474201]
このフレームワークは、単純な基本的なビルディングブロック(決定木)を使用して、必要な複雑さの自己相似モデルを構築する。
我々は,NumeraiデータセットでトレーニングしたXGBoostモデルを用いて提案手法を実証し,異なるモデルスナップショット上での2層のXGBoostモデルの深部アンサンブルが高品質な予測を提供することを示す。
論文 参考訳(メタデータ) (2023-03-14T14:10:37Z) - ProjB: An Improved Bilinear Biased ProjE model for Knowledge Graph
Completion [1.5576879053213302]
この研究は、計算の複雑さが低く、モデル改善の可能性が高いため、ProjE KGEを改善する。
FB15KやWN18のようなベンチマーク知識グラフ(KG)の実験結果から、提案手法はエンティティ予測タスクにおける最先端モデルよりも優れていることが示された。
論文 参考訳(メタデータ) (2022-08-15T18:18:05Z) - A Probit Tensor Factorization Model For Relational Learning [31.613211987639296]
本稿では,従来のテンソル因数分解モデルから計算効率を継承する,プロビットリンク付きバイナリテンソル因数分解モデルを提案する。
提案手法は,予測精度と解釈可能性の両面で優位性を示す。
論文 参考訳(メタデータ) (2021-11-06T19:23:07Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Explainable Matrix -- Visualization for Global and Local
Interpretability of Random Forest Classification Ensembles [78.6363825307044]
本研究では,ランダムフォレスト (RF) 解釈のための新しい可視化手法である Explainable Matrix (ExMatrix) を提案する。
単純なマトリックスのようなメタファで、行はルール、列は特徴、セルはルールを述語する。
ExMatrixの適用性は、異なる例を通じて確認され、RFモデルの解釈可能性を促進するために実際にどのように使用できるかを示している。
論文 参考訳(メタデータ) (2020-05-08T21:03:48Z) - Predicting Multidimensional Data via Tensor Learning [0.0]
本研究では,本データセットの内在的多次元構造を保持するモデルを開発する。
モデルパラメータを推定するために、オルタネート・リースト・スクエアスアルゴリズムを開発した。
提案モデルは,予測文献に存在するベンチマークモデルより優れている。
論文 参考訳(メタデータ) (2020-02-11T11:57:07Z)
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。