論文の概要: A method for incremental discovery of financial event types based on anomaly detection

• arxiv url: http://arxiv.org/abs/2302.08205v1
• Date: Thu, 16 Feb 2023 10:37:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-17 14:17:55.188555
• Title: A method for incremental discovery of financial event types based on anomaly detection
• Title（参考訳）: 異常検出に基づく金融イベント型インクリメンタル発見法
• Authors: Dianyue Gu, Zixu Li, Zhenhai Guan, Rui Zhang, Lan Huang
• Abstract要約: 金融ドメイン内のイベントデータセットは、しばしば実際のアプリケーションシナリオに基づいて構築されます。 新しい金融ビッグデータは、特定のシナリオで定義されたイベントタイプに制限されない。 イベントタイプの漸進的な発見を実現するために、3段階のアプローチが提案されている。
• 参考スコア（独自算出の注目度）: 7.035546119642223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event datasets in the financial domain are often constructed based on actual application scenarios, and their event types are weakly reusable due to scenario constraints; at the same time, the massive and diverse new financial big data cannot be limited to the event types defined for specific scenarios. This limitation of a small number of event types does not meet our research needs for more complex tasks such as the prediction of major financial events and the analysis of the ripple effects of financial events. In this paper, a three-stage approach is proposed to accomplish incremental discovery of event types. For an existing annotated financial event dataset, the three-stage approach consists of: for a set of financial event data with a mixture of original and unknown event types, a semi-supervised deep clustering model with anomaly detection is first applied to classify the data into normal and abnormal events, where abnormal events are events that do not belong to known types; then normal events are tagged with appropriate event types and abnormal events are reasonably clustered. Finally, a cluster keyword extraction method is used to recommend the type names of events for the new event clusters, thus incrementally discovering new event types. The proposed method is effective in the incremental discovery of new event types on real data sets.
• Abstract（参考訳）: 金融ドメインにおけるイベントデータセットは、しばしば実際のアプリケーションシナリオに基づいて構築され、そのイベントタイプはシナリオ制約のために弱い再利用可能なものである。 この少数のイベントタイプの制限は、主要な金融イベントの予測や金融イベントの波及効果の分析など、より複雑なタスクに対する我々の研究ニーズを満たしていない。 本稿では,イベント型を漸進的に発見するための3段階アプローチを提案する。 既存のアノテートされた金融イベントデータセットでは、以下の3段階のアプローチがある。 オリジナルのイベントタイプと未知のイベントタイプが混在した金融イベントデータの集合に対して、異常イベントが既知のタイプに属さないイベントである正常イベントと異常イベントに分類するために、異常検出を伴う半教師付きディープクラスタリングモデルがまず適用され、正常イベントが適切なイベントタイプでタグ付けされ、異常イベントが合理的にクラスタ化される。 最後に、クラスタキーワード抽出メソッドを使用して、新しいイベントクラスタのイベントの型名を推奨し、新たなイベントタイプを漸進的に検出する。 提案手法は,実データから新たなイベントタイプを漸進的に発見する上で有効である。

関連論文リスト

• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• Event Detection in Time Series: Universal Deep Learning Approach [0.0]
  時系列におけるイベント検出は、不均衡なデータセット、まれなイベント、時間間隔定義イベントの頻度のため、困難なタスクである。 本稿では,教師付き回帰に基づく深層学習手法を提案する。 当社のアプローチは、まれなイベントや不均衡なデータセットを含む、統合されたフレームワーク内で、さまざまな種類のイベントを効果的に処理できる。
  論文  参考訳（メタデータ） (2023-11-27T09:33:56Z)
• Zero- and Few-Shot Event Detection via Prompt-Based Meta Learning [45.3385722995475]
  ゼロおよび少数ショットイベント検出のためのメタ学習ベースのフレームワークであるMetaEventを提案する。 本フレームワークでは,クローゼをベースとしたプロンプトとトリガ対応ソフトを用いて,未知のイベントタイプに効率的に出力を投影する手法を提案する。 そのため、提案されたMetaEventは、事前の知識なしに、機能とイベントタイプをマッピングすることで、ゼロショットイベント検出を実行することができる。
  論文  参考訳（メタデータ） (2023-05-27T05:36:46Z)
• Modeling Continuous Time Sequences with Intermittent Observations using Marked Temporal Point Processes [25.074394338483575]
  人間の活動を通じて生成された大量のデータは、連続した時間のイベントのシーケンスとして表現することができる。 これらの連続的なイベントシーケンスに対するディープラーニングモデルは、非自明なタスクである。 本研究では,イベントシーケンスが欠落している場合にMTPPを学習するための新しい教師なしモデルと推論手法を提案する。
  論文  参考訳（メタデータ） (2022-06-23T18:23:20Z)
• PILED: An Identify-and-Localize Framework for Few-Shot Event Detection [79.66042333016478]
  本研究では,事前学習した言語モデルから事象関連知識を引き出すために,クローゼプロンプトを用いた。 型固有のパラメータの数を最小化し、新しい型に対するイベント検出タスクに迅速に適応できるようにします。
  論文  参考訳（メタデータ） (2022-02-15T18:01:39Z)
• Semi-supervised New Event Type Induction and Description via Contrastive Loss-Enforced Batch Attention [56.46649994444616]
  マスク付きコントラスト損失を用いた半教師付き新しいイベント型誘導手法を提案する。 私たちは、発見したクラスタの型名を予測し、FrameNetフレームにリンクするという、2つの新しいタスクにアプローチを拡張しました。
  論文  参考訳（メタデータ） (2022-02-12T00:32:22Z)
• Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
  本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。 我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
  論文  参考訳（メタデータ） (2021-09-13T20:50:37Z)
• Unsupervised Label-aware Event Trigger and Argument Classification [73.86358632937372]
  まず,利用可能なツール(srlなど)でイベントを識別し,それを事前に定義されたイベントタイプに自動マップする,教師なしイベント抽出パイプラインを提案する。 事前訓練された言語モデルを利用して、イベントトリガと引数の両方の事前定義された型を文脈的に表現します。 我々は、トリガーの83%と引数の54%を正しい型にマッピングし、以前のゼロショットアプローチのパフォーマンスをほぼ倍にしました。
  論文  参考訳（メタデータ） (2020-12-30T17:47:24Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)

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。