Fugu-MT 論文翻訳(概要): LEMs: A Primer On Large Execution Models

論文の概要: LEMs: A Primer On Large Execution Models

arxiv url: http://arxiv.org/abs/2509.25211v1
Date: Sun, 21 Sep 2025 17:01:04 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-01 17:09:04.16339
Title: LEMs: A Primer On Large Execution Models
Title（参考訳）: LEMs:大規模実行モデルのプライマー
Authors: Remi Genet, Hugo Inzirillo,
Abstract要約: 大規模実行モデル(LEM)は、複雑な実行問題を解決するための新しいディープラーニングフレームワークである。 LEMは、固定順序の順序から、実行期間が最小時間と最大時間に制限されるシナリオへのアプローチを一般化する。 LEMは、フレキシブルな時間制約内で実行パスを動的に最適化することで、従来のベンチマークよりも優れた実行性能を実現する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: This paper introduces Large Execution Models (LEMs), a novel deep learning framework that extends transformer-based architectures to address complex execution problems with flexible time boundaries and multiple execution constraints. Building upon recent advances in neural VWAP execution strategies, LEMs generalize the approach from fixed-duration orders to scenarios where execution duration is bounded between minimum and maximum time horizons, similar to share buyback contract structures. The proposed architecture decouples market information processing from execution allocation decisions: a common feature extraction pipeline using Temporal Kolmogorov-Arnold Networks (TKANs), Variable Selection Networks (VSNs), and multi-head attention mechanisms processes market data to create informational context, while independent allocation networks handle the specific execution logic for different scenarios (fixed quantity vs. fixed notional, buy vs. sell orders). This architectural separation enables a unified model to handle diverse execution objectives while leveraging shared market understanding across scenarios. Through comprehensive empirical evaluation on intraday cryptocurrency markets and multi-day equity trading using DOW Jones constituents, we demonstrate that LEMs achieve superior execution performance compared to traditional benchmarks by dynamically optimizing execution paths within flexible time constraints. The unified model architecture enables deployment across different execution scenarios (buy/sell orders, varying duration boundaries, volume/notional targets) through a single framework, providing significant operational advantages over asset-specific approaches.
Abstract（参考訳）: 本稿では,変形器をベースとしたアーキテクチャを拡張し,フレキシブルな時間境界と複数実行制約を伴う複雑な実行問題に対処する,新しいディープラーニングフレームワークであるLarge Execution Models (LEMs)を紹介する。ニューラルVWAP実行戦略の最近の進歩に基づいて、LEMは、固定順序命令から、実行期間が最小時間と最大時間に制限されたシナリオへのアプローチを一般化する。テンポラルコルモゴロフ・アルノルドネットワーク(TKAN)、可変選択ネットワーク(VSN)、およびマルチヘッドアテンション機構を用いた共通機能抽出パイプラインは、市場データを処理して情報コンテキストを作成する一方、独立したアロケーションネットワークは、異なるシナリオ(固定量対固定記法、購入対販売注文)の特定の実行ロジックを処理する。このアーキテクチャ分離により、統一モデルは、シナリオ間でのマーケット理解の共有を活用しながら、多様な実行目標を処理することができる。日内暗号市場に対する総合的な実証的評価と、DOW Jonesの構成要素を用いた複数日の株式取引を通じて、フレキシブルな時間制約内での実行経路を動的に最適化することにより、従来のベンチマークよりも優れた実行性能が得られることを示した。統一されたモデルアーキテクチャにより、異なる実行シナリオ(購入/販売の順序、期間境界の変化、ボリューム/表記のターゲット)を単一のフレームワークを通じてデプロイすることが可能になり、資産固有のアプローチよりも大きな運用上のアドバンテージを提供する。

関連論文リスト

Towards Generalized Routing: Model and Agent Orchestration for Adaptive and Efficient Inference [37.57624773333661]
MoMA(Mixture of Models and Agents)は、大規模言語モデル(LLM)とエージェントベースのルーティングを統合するフレームワークである。本稿では,異なるルーティングモデル構造下での各種LLMの能力を評価するためのトレーニングデータセットを提案する。推論中、クエリは最高のコストパフォーマンス効率でLSMに動的にルーティングされる。
論文参考訳（メタデータ） (2025-09-09T10:15:42Z)
Agent WARPP: Workflow Adherence via Runtime Parallel Personalization [0.0]
大規模言語モデル(LLM)はタスク指向対話(TOD)システムにますます適用されてきている。並列パーソナライゼーション(WARPP)は、マルチエージェントランタイムとオーケストレーションを組み合わせた、トレーニング不要でモジュール化されたフレームワークである。ユーザ属性に基づいて条件分岐を動的にプルーニングすることで、このフレームワークは推論のオーバーヘッドを減らし、実行時のツール選択を狭める。
論文参考訳（メタデータ） (2025-07-23T23:27:49Z)
Decision Flow Policy Optimization [53.825268058199825]
生成モデルは、複雑なマルチモーダルな動作分布を効果的にモデル化し、連続的な動作空間において優れたロボット制御を実現することができることを示す。従来の手法は通常、データセットからの状態条件付きアクション分布に適合する振る舞いモデルとして生成モデルを採用する。マルチモーダルな行動分布モデリングとポリシー最適化を統合した統合フレームワークDecision Flowを提案する。
論文参考訳（メタデータ） (2025-05-26T03:42:20Z)
Intelligent Orchestration of Distributed Large Foundation Model Inference at the Edge [46.1232919707345]
Large Foundation Models (LFMs)は、次世代のEdge AIアプリケーションの新機能をアンロックすることを約束する。現在の分割推論戦略では、ノード間でLPM層を分割するが、変動するワークロードに適応するようには設計されていない。本稿では, LFM層を実行時可変変数に配置し, 分割する, 適応型分割推論オーケストレーションフレームワークを提案する。
論文参考訳（メタデータ） (2025-03-19T15:35:56Z)
Haste Makes Waste: Evaluating Planning Abilities of LLMs for Efficient and Feasible Multitasking with Time Constraints Between Actions [56.88110850242265]
本稿では,現実の調理シナリオに基づいた新しいベンチマークフレームワークRecipe2Planを紹介する。従来のベンチマークとは異なり、Recipe2Planは並列タスク実行による調理時間を最適化するためにエージェントに挑戦する。
論文参考訳（メタデータ） (2025-03-04T03:27:02Z)
Learning Multi-Agent Intention-Aware Communication for Optimal Multi-Order Execution in Finance [96.73189436721465]
まず,現実的な制約を考慮したマルチオーダー実行のためのマルチエージェントRL(MARL)手法を提案する。本稿では,学習可能なマルチラウンド通信プロトコルを提案する。 2つの実世界の市場のデータに関する実験では、優れたパフォーマンスを示し、コラボレーションの有効性が著しく向上した。
論文参考訳（メタデータ） (2023-07-06T16:45:40Z)
A Modular Framework for Reinforcement Learning Optimal Execution [68.8204255655161]
我々は、最適貿易実行問題への強化学習の適用のためのモジュラーフレームワークを開発する。このフレームワークは、異なるシミュレーション設定の実装を容易にするために、柔軟性を念頭に設計されている。
論文参考訳（メタデータ） (2022-08-11T09:40:42Z)
Concepts and Algorithms for Agent-based Decentralized and Integrated Scheduling of Production and Auxiliary Processes [78.120734120667]
本稿ではエージェントベースの分散型統合スケジューリング手法について述べる。要求の一部は、線形にスケールする通信アーキテクチャを開発することである。このアプローチは、工業的要件に基づいた例を使って説明されます。
論文参考訳（メタデータ） (2022-05-06T18:44:29Z)
Modeling Multi-Label Action Dependencies for Temporal Action Localization [53.53490517832068]
実世界のビデオには、アクションクラス間の固有の関係を持つ多くの複雑なアクションが含まれている。非発生ビデオにおける時間的行動の局在化のタスクのためのこれらの行動関係をモデル化する注意に基づくアーキテクチャを提案する。マルチラベルアクションローカリゼーションベンチマークの最先端の方法よりもパフォーマンスが向上しました。
論文参考訳（メタデータ） (2021-03-04T13:37:28Z)
TensorOpt: Exploring the Tradeoffs in Distributed DNN Training with Auto-Parallelism [21.980316675614787]
優れた並列化戦略は、ディープニューラルネットワーク(DNN)の分散トレーニングの効率を大幅に改善したり、コストを削減したりすることができる。我々は,異なる目的間のトレードオフを可能にするために,並列化戦略の最適セットを探索する効率的なアルゴリズムFTを提案する。我々はまた,ユーザが並列化戦略の詳細を気にすることなく分散DNNトレーニングジョブを実行できる,ユーザフレンドリーなシステムであるOptを開発した。
論文参考訳（メタデータ） (2020-04-16T02:57:35Z)

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。

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。