論文の概要: A Scalable and Adaptive System to Infer the Industry Sectors of
Companies: Prompt + Model Tuning of Generative Language Models
- arxiv url: http://arxiv.org/abs/2306.03313v1
- Date: Mon, 5 Jun 2023 23:55:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 18:02:00.046914
- Title: A Scalable and Adaptive System to Infer the Industry Sectors of
Companies: Prompt + Model Tuning of Generative Language Models
- Title（参考訳）: 企業の産業セクターを推定するスケーラブルで適応的なシステム: 生成言語モデルのPrompt + Model Tuning
- Authors: Lele Cao, Vilhelm von Ehrenheim, Astrid Berghult, Cecilia Henje,
Richard Anselmo Stahl, Joar Wandborg, Sebastian Stan, Armin Catovic, Erik
Ferm, Hannes Ingelhag
- Abstract要約: PEファンドの成功には、企業のセクターの推測が不可欠である。
本研究では,セクターの枠組みを標準化し,典型的な課題について議論する。
次に、これらの課題に対処するセクター推論システムを紹介します。
- 参考スコア（独自算出の注目度）: 0.13107669223114085
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Private Equity (PE) firms operate investment funds by acquiring and
managing companies to achieve a high return upon selling. Many PE funds are
thematic, meaning investment professionals aim to identify trends by covering
as many industry sectors as possible, and picking promising companies within
these sectors. So, inferring sectors for companies is critical to the success
of thematic PE funds. In this work, we standardize the sector framework and
discuss the typical challenges; we then introduce our sector inference system
addressing these challenges. Specifically, our system is built on a
medium-sized generative language model, finetuned with a prompt + model tuning
procedure. The deployed model demonstrates a superior performance than the
common baselines. The system has been serving many PE professionals for over a
year, showing great scalability to data volume and adaptability to any change
in sector framework and/or annotation.
- Abstract（参考訳）: プライベートエクイティ(PE)企業は、高いリターンを達成するために企業を買収・管理することで投資資金を運用している。
多くのPEファンドはテーマであり、投資専門家はできるだけ多くの産業セクターをカバーし、これらのセクター内で有望な企業を選ぶことでトレンドを特定することを目指している。
したがって、PEファンドの成功には、企業のセクターを推測することが不可欠である。
本研究では,セクターの枠組みを標準化し,典型的な課題について議論し,これらの課題に対処するセクター推論システムを導入する。
具体的には,中規模の生成言語モデル上に構築され,プロンプト+モデルチューニング手順で微調整される。
デプロイされたモデルは、一般的なベースラインよりも優れたパフォーマンスを示している。
このシステムは、多くのPEプロフェッショナルに1年以上提供され、データボリュームへの優れたスケーラビリティとセクターフレームワークやアノテーションの変更への適応性を示している。
関連論文リスト
- Multimodal Gen-AI for Fundamental Investment Research [2.559302299676632]
本報告では、従来の意思決定プロセスを再考する金融投資業界における変革的イニシアティブについて概説する。
基礎モデル(Llama2)上での微調整手法の有効性を評価し,アプリケーションレベルの目標を達成する。
このプロジェクトには、調査報告、投資メモ、市場ニュース、広範な時系列市場データなど、さまざまなコーパスデータセットが含まれている。
論文 参考訳（メタデータ） (2023-12-24T03:35:13Z) - Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。
この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。
これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。
本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
論文 参考訳（メタデータ） (2023-11-28T15:09:36Z) - Online Advertisements with LLMs: Opportunities and Challenges [51.96140910798771]
本稿では,オンライン広告システムにおけるLarge Language Models(LLM)の活用の可能性について検討する。
提案手法は,LLM広告の修正,入札,予測,オークションモジュールから構成される。
論文 参考訳（メタデータ） (2023-11-11T02:13:32Z) - Beyond Gut Feel: Using Time Series Transformers to Find Investment Gems [1.7343080574639578]
本稿では,PE(Private Equity)業界におけるデータ駆動アプローチの適用拡大について論じる。
本稿では、関連するアプローチの総合的なレビューを行い、候補企業の成功可能性を予測するための新しいアプローチを提案する。
3つの一般的なベースラインに向けてベンチマークした2つの実世界の投資タスクに関する実験は、我々のアプローチの有効性を実証した。
論文 参考訳（メタデータ） (2023-09-28T23:03:12Z) - Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。
我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
論文 参考訳（メタデータ） (2023-07-05T06:03:40Z) - A Meta-Generation framework for Industrial System Generation [0.0]
ジェネレーティブデザインは、産業の世界においてますます重要なツールである。
深層生成モデル(Deep Generative Models)は、ジェネレーティブデザイン技術の間で人気を集めている。
しかし、これらのモデルの開発と評価は困難である。
マルチコンポーネント産業システムを実現するメタVAEを提案する。
論文 参考訳（メタデータ） (2023-06-08T11:47:02Z) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-06-05T12:58:13Z) - Domain Specialization as the Key to Make Large Language Models Disruptive: A Comprehensive Survey [100.24095818099522]
大規模言語モデル(LLM)は自然言語処理(NLP)の分野を著しく進歩させた。
広範囲のアプリケーションに対して、非常に有用でタスクに依存しない基盤を提供する。
しかし、特定の領域における洗練された問題を解決するために直接LLMを適用することは、多くのハードルを満たす。
論文 参考訳（メタデータ） (2023-05-30T03:00:30Z) - Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。
実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文 参考訳（メタデータ） (2022-10-22T14:47:11Z) - Two-Stage Sector Rotation Methodology Using Machine Learning and Deep
Learning Techniques [0.0]
市場指標とランキングセクターを用いて各セクターのETF価格を予測する2段階の手法を提案する。
実験結果から,我々の手法が長期にわたって,ポートフォリオのパフォーマンスを均等に重み付けしていることが明らかとなった。
論文 参考訳（メタデータ） (2021-08-05T20:32:59Z) - Machine Learning Fund Categorizations [2.7930955543692817]
我々は、機械学習を用いて学習可能であり、ほとんど再現可能であることを、業界全体でよく認識された分類システムを確立する。
我々は,この人造システム学習における知的課題とその意義について論じる。
論文 参考訳（メタデータ） (2020-05-29T23:26:14Z)
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。