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
- Knowledge Graph Embeddings: A Comprehensive Survey on Capturing Relation Properties [5.651919225343915]
知識グラフ埋め込み(KGE)技術は、記号的知識グラフを数値表現に変換する上で重要な役割を果たしている。
本稿では、一対一、一対多、多対一、多対多といった関係に固有の複素写像特性について述べる。
我々は、KGEにマルチモーダル情報を統合すること、規則付き関係パターンモデリングを強化すること、動的KGE設定における関係特性を捉えるモデルを開発することなど、革新的なアイデアを探求する。
論文 参考訳（メタデータ） (2024-10-16T08:54:52Z) - Relational Learning in Pre-Trained Models: A Theory from Hypergraph Recovery Perspective [60.64922606733441]
我々は,関係学習をハイパーグラフリカバリとして形式化する数学的モデルを導入し,基礎モデル(FM)の事前学習について検討する。
我々のフレームワークでは、世界はハイパーグラフとして表現され、データはハイパーエッジからランダムなサンプルとして抽象化される。我々は、このハイパーグラフを復元するための事前学習モデル(PTM)の有効性を理論的に検証し、ミニマックスに近い最適スタイルでデータ効率を解析する。
論文 参考訳（メタデータ） (2024-06-17T06:20:39Z) - 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 [1.6635799895254402]
時系列データセットは機械学習の中心であり、科学と工学の様々な分野に応用されている。
本研究は,共同グラフィカル・モデリング・フレームワークを導入することでギャップを埋める新しい手法を提案する。
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) - 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) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - 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。