Fugu-MT 論文翻訳(概要): Markets for Models

論文の概要: Markets for Models

arxiv url: http://arxiv.org/abs/2503.02946v2
Date: Fri, 13 Jun 2025 19:55:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-17 15:15:30.285547
Title: Markets for Models
Title（参考訳）: モデル市場
Authors: Krishna Dasaratha, Juan Ortner, Chengyang Zhu,
Abstract要約: 我々は、企業が予測を改善するためにモデルを消費者に販売する市場を調査する。競争相手の参入を抑えるために、非効率に偏ったモデルや非効率にコストがかかるモデルを選択できることを示します。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Motivated by the prevalence of prediction problems in the economy, we study markets in which firms sell models to a consumer to help improve their prediction. Firms decide whether to enter, choose models to train on their data, and set prices. The consumer can purchase multiple models and use a weighted average of the models bought. Market outcomes can be expressed in terms of the \emph{bias-variance decompositions} of the models that firms sell. We give conditions when symmetric firms will choose different modeling techniques, e.g., each using only a subset of available covariates. We also show firms can choose inefficiently biased models or inefficiently costly models to deter entry by competitors.
Abstract（参考訳）: 経済における予測問題の普及により、企業は予測を改善するためにモデルを消費者に販売する市場を調査する。企業は、入力するかどうかを決め、データに基づいてトレーニングするモデルを選択し、価格を設定する。消費者は複数のモデルを購入し、購入したモデルの重み付け平均を使用することができる。市場の結果は、企業が販売するモデルの 'emph{bias-variance decompositions' という用語で表すことができる。対称体が異なるモデリング手法、例えば、利用可能な共変量のサブセットのみを用いて、それぞれを選択する条件を与える。また、企業は非効率なバイアスモデルや非効率なコストモデルを選択して、競合他社の参入を抑えることも示しています。

関連論文リスト

DiffSTOCK: Probabilistic relational Stock Market Predictions using Diffusion Models [1.9662978733004601]
我々は、歴史的金融指標とストック間関係を前提とした、より良い市場予測を提供するためのアーキテクチャを開発する。また,Masked Transformer (RTM) を用いて,ストック間関係と歴史的ストックの特徴を生かした新しい決定論的アーキテクチャ MTCHS を提供する。
論文参考訳（メタデータ） (2024-03-21T01:20:32Z)
Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文参考訳（メタデータ） (2024-02-12T16:15:25Z)
An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。 FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
論文参考訳（メタデータ） (2024-02-02T07:25:53Z)
Improved Bayes Risk Can Yield Reduced Social Welfare Under Competition [99.7047087527422]
本研究は,機械学習のスケーリングトレンドの振る舞いを根本的に変化させることを実証する。データ表現品質の改善により、ユーザ間での全体的な予測精度が低下する、多くの設定が見つかる。概念レベルでは,各モデルプロジェクタのスケーリング傾向が,社会福祉の下流改善に寄与する必要はないことが示唆された。
論文参考訳（メタデータ） (2023-06-26T13:06:34Z)
Finding Regularized Competitive Equilibria of Heterogeneous Agent Macroeconomic Models with Reinforcement Learning [151.03738099494765]
労働市場に参入する世帯や企業を無限に数える異種エージェントマクロ経済モデルについて検討する。本稿では,モデルの正規化競争均衡を求めるデータ駆動強化学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-02-24T17:16:27Z)
Investigating Ensemble Methods for Model Robustness Improvement of Text Classifiers [66.36045164286854]
既存のバイアス機能を分析し、すべてのケースに最適なモデルが存在しないことを実証します。適切なバイアスモデルを選択することで、より洗練されたモデル設計でベースラインよりもロバスト性が得られる。
論文参考訳（メタデータ） (2022-10-28T17:52:10Z)
Multimodal Generative Models for Bankruptcy Prediction Using Textual Data [2.1756081703276]
本研究では、会計、市場、テキストデータモダリティから情報を埋め込んだマルチモーダル表現を学習するマルチモーダル識別条件(CMMD)モデルを提案する。この新たな手法では、会計と市場データは、テキストデータとは異なり、すべての企業で利用可能であるため、破産予測モデルでテキストデータを使用することが現実的である。
論文参考訳（メタデータ） (2022-10-26T17:44:03Z)
A Comparative Study on Forecasting of Retail Sales [0.0]
Walmartの過去の売上データに関する予測モデルをベンチマークし、今後の売上を予測する。これらのモデルを予測課題データセット(KaggleによるM5予測)に適用する。
論文参考訳（メタデータ） (2022-03-14T04:24:29Z)
Predicting on the Edge: Identifying Where a Larger Model Does Better [61.793778186198864]
小型モデルが最も不確実な例では,大規模モデルが最も改善されていることを示す。小型モデルが不確実な場合,サンプルを大モデルにデフェクトするスイッチャーモデルにより,性能と資源利用の大幅な向上が達成できることを示す。
論文参考訳（メタデータ） (2022-02-15T18:53:14Z)
Design and Analysis of Robust Deep Learning Models for Stock Price Prediction [0.0]
株価と株価の動きの堅牢かつ正確な予測のための予測モデルを構築することは、解決すべき課題である。本章では、インド国立証券取引所(NSE)の多角化部門に上場する株式の将来価格の堅牢かつ正確な予測のために、ディープラーニングアーキテクチャ上に構築された予測回帰モデル集を提案する。
論文参考訳（メタデータ） (2021-06-17T17:15:02Z)
Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文参考訳（メタデータ） (2021-01-02T02:11:37Z)
Beating the market with a bad predictive model [0.0]
我々は、価格予測モデルに完全に劣る体系的な利益を一般的に得ることを証明している。鍵となるアイデアは、予測モデルのトレーニング目標を変更して、それを市場から明示的にデコレーションすることだ。
論文参考訳（メタデータ） (2020-10-23T16:20:35Z)

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。