論文の概要: A Fused Large Language Model for Predicting Startup Success
- arxiv url: http://arxiv.org/abs/2409.03668v1
- Date: Thu, 5 Sep 2024 16:22:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 19:53:43.186985
- Title: A Fused Large Language Model for Predicting Startup Success
- Title（参考訳）: スタートアップの成功を予測するための融合した大規模言語モデル
- Authors: Abdurahman Maarouf, Stefan Feuerriegel, Nicolas Pröllochs,
- Abstract要約: 我々は、成功したスタートアップをベンチャーキャピタルプラットフォームに配置する目的で、機械学習アプローチを開発する。
具体的には、スタートアップの成功を予測するために、調整された、融合した大きな言語モデルを開発し、訓練し、評価します。
Crunchbaseのオンラインプロフィール20,172件を使って、われわれの混ざった大きな言語モデルはスタートアップの成功を予測することができる。
- 参考スコア（独自算出の注目度）: 21.75303916815358
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Investors are continuously seeking profitable investment opportunities in startups and, hence, for effective decision-making, need to predict a startup's probability of success. Nowadays, investors can use not only various fundamental information about a startup (e.g., the age of the startup, the number of founders, and the business sector) but also textual description of a startup's innovation and business model, which is widely available through online venture capital (VC) platforms such as Crunchbase. To support the decision-making of investors, we develop a machine learning approach with the aim of locating successful startups on VC platforms. Specifically, we develop, train, and evaluate a tailored, fused large language model to predict startup success. Thereby, we assess to what extent self-descriptions on VC platforms are predictive of startup success. Using 20,172 online profiles from Crunchbase, we find that our fused large language model can predict startup success, with textual self-descriptions being responsible for a significant part of the predictive power. Our work provides a decision support tool for investors to find profitable investment opportunities.
- Abstract（参考訳）: 投資家は継続的にスタートアップへの投資機会を求めており、効果的な意思決定のためには、スタートアップの成功の確率を予測する必要がある。
今日では、投資家はスタートアップに関するさまざまな基本的な情報(例えば、スタートアップの年齢、創業者の数、そしてビジネスセクター)だけでなく、Crunchbaseのようなオンラインベンチャーキャピタル(VC)プラットフォームを通じて広く利用できるスタートアップのイノベーションとビジネスモデルのテキスト記述も利用できる。
投資家の意思決定を支援するため、VCプラットフォーム上で成功したスタートアップを見つけることを目的とした機械学習アプローチを開発しました。
具体的には、スタートアップの成功を予測するために、調整された、融合した大きな言語モデルを開発し、訓練し、評価します。
これにより、VCプラットフォーム上での自己説明がスタートアップの成功を予測できる範囲を評価する。
Crunchbaseのオンラインプロフィール20,172枚を使って、われわれの融合した大きな言語モデルがスタートアップの成功を予測し、テキストによる自己記述が予測能力のかなりの部分を占めていることを突き止めた。
私たちの仕事は、投資家が利益を得る投資機会を見つけるための意思決定支援ツールを提供します。
関連論文リスト
- OpenR: An Open Source Framework for Advanced Reasoning with Large Language Models [61.14336781917986]
大規模言語モデル(LLM)の推論能力を高めるためのオープンソースのフレームワークであるOpenRを紹介する。
OpenRは、データ取得、強化学習トレーニング、非自己回帰デコーディングを凝集性ソフトウェアプラットフォームに統合する。
私たちの研究は、OpenAIのo1モデルのコア技術と強化学習を探求する、オープンソースのフレームワークを初めて提供するものです。
論文 参考訳（メタデータ） (2024-10-12T23:42:16Z) - Automating Venture Capital: Founder assessment using LLM-powered segmentation, feature engineering and automated labeling techniques [0.0]
本研究では、ベンチャーキャピタル(VC)意思決定における大規模言語モデル(LLM)の適用について検討する。
我々はLLMプロンプト技術を利用して、限られたデータから特徴を生成し、統計と機械学習を通して洞察を抽出する。
この結果から,特定の創始者特性と成功との関係が明らかとなり,予測におけるこれらの特性の有効性が示された。
論文 参考訳（メタデータ） (2024-07-05T22:54:13Z) - Startup success prediction and VC portfolio simulation using CrunchBase
data [1.7897779505837144]
本稿では、主要な成功のマイルストーンを予測することを目的とした、シリーズBおよびシリーズCの投資ステージにおけるスタートアップに焦点を当てる。
スタートアップの成功を予測するための新しいディープラーニングモデルを導入し、資金調達指標、創業者の特徴、業界カテゴリなど、さまざまな要素を統合する。
私たちの研究は、スタートアップの成功を予測する上で、ディープラーニングモデルと代替の非構造化データによるかなりの可能性を実証しています。
論文 参考訳（メタデータ） (2023-09-27T10:22:37Z) - Iterative Zero-Shot LLM Prompting for Knowledge Graph Construction [104.29108668347727]
本稿では,最新の生成型大規模言語モデルの可能性を活用する,革新的な知識グラフ生成手法を提案する。
このアプローチは、新しい反復的なゼロショットと外部知識に依存しない戦略を含むパイプラインで伝達される。
我々は、我々の提案がスケーラブルで多目的な知識グラフ構築に適したソリューションであり、異なる新しい文脈に適用できると主張している。
論文 参考訳（メタデータ） (2023-07-03T16:01:45Z) - 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) - E2EAI: End-to-End Deep Learning Framework for Active Investing [123.52358449455231]
本稿では, ファクタ選択, ファクタ組み合わせ, 株式選択, ポートフォリオ構築を通じて, ファクター投資のほぼ全過程をカバーするE2Eを提案する。
実際の株式市場データの実験は、アクティブ投資におけるエンドツーエンドのディープ・リーン・フレームワークの有効性を示している。
論文 参考訳（メタデータ） (2023-05-25T10:27:07Z) - Using Deep Learning to Find the Next Unicorn: A Practical Synthesis [42.70427723009158]
Venture Capital(VC)は、ユニコーンスタートアップを早期に特定し、投資し、高いリターンを得ることを期待している。
過去20年間、業界は従来の統計的アプローチから機械学習ベースのものへと移行してきた。
本研究は,DLのライフサイクル全体をカバーする,DLベースのアプローチに関する文献レビューと合成を行う。
論文 参考訳（メタデータ） (2022-10-18T13:11:16Z) - Solving the Data Sparsity Problem in Predicting the Success of the
Startups with Machine Learning Methods [2.939434965353219]
Crunchbaseからの大きなデータセットを用いた機械学習アルゴリズムについて検討する。
その結果、LightGBMとXGBoostは53.03%、52.96%のスコアを獲得している。
これらの発見は、機械学習手法がスタートアップ企業や投資家にどのように役立つかに大きく影響している。
論文 参考訳（メタデータ） (2021-12-15T09:21:32Z) - Estimating Fund-Raising Performance for Start-up Projects from a Market
Graph Perspective [58.353799280109904]
市場環境を利用して未公開プロジェクトの資金調達実績を予測するためのグラフベースの市場環境(GME)モデルを提案する。
具体的には、市場環境を利用して未公開プロジェクトの資金調達実績を予測するグラフベースの市場環境(GME)モデルを提案する。
論文 参考訳（メタデータ） (2021-05-27T02:39:30Z) - Graph Neural Network Based VC Investment Success Prediction [11.527912247719915]
我々は,ノードの豊富な属性とともにネットワーク構造を利用して,漸進的な表現学習機構と逐次学習モデルを設計する。
本手法は,グローバルベンチャーキャピタル投資の包括的データセットを用いて,最先端の予測性能を実現する。
医療やITといった業界のスタートアップの成果を予測するのに長けている。
論文 参考訳（メタデータ） (2021-05-25T14:29:45Z)
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。