Fugu-MT 論文翻訳(概要): Interpretable Machine Learning for Predicting Startup Funding, Patenting, and Exits

論文の概要: Interpretable Machine Learning for Predicting Startup Funding, Patenting, and Exits

arxiv url: http://arxiv.org/abs/2510.09465v1
Date: Fri, 10 Oct 2025 15:20:29 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-14 00:38:49.313083
Title: Interpretable Machine Learning for Predicting Startup Funding, Patenting, and Exits
Title（参考訳）: スタートアップの資金調達、特許、出所を予測するための解釈可能な機械学習
Abstract要約: 本研究は、資金調達、特許取得、退社を含むスタートアップの成果を予測するための解釈可能な機械学習フレームワークを開発する。次の資金調達は12ヶ月以内に行われ、24ヶ月以内に特許ストックが成長し、IPO(IPO)や36ヶ月以内に買収される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This study develops an interpretable machine learning framework to forecast startup outcomes, including funding, patenting, and exit. A firm-quarter panel for 2010-2023 is constructed from Crunchbase and matched to U.S. Patent and Trademark Office (USPTO) data. Three horizons are evaluated: next funding within 12 months, patent-stock growth within 24 months, and exit through an initial public offering (IPO) or acquisition within 36 months. Preprocessing is fit on a development window (2010-2019) and applied without change to later cohorts to avoid leakage. Class imbalance is addressed using inverse-prevalence weights and the Synthetic Minority Oversampling Technique for Nominal and Continuous features (SMOTE-NC). Logistic regression and tree ensembles, including Random Forest, XGBoost, LightGBM, and CatBoost, are compared using the area under the precision-recall curve (PR-AUC) and the area under the receiver operating characteristic curve (AUROC). Patent, funding, and exit predictions achieve AUROC values of 0.921, 0.817, and 0.872, providing transparent and reproducible rankings for innovation finance.
Abstract（参考訳）: 本研究は、資金調達、特許取得、退社を含むスタートアップの成果を予測するための解釈可能な機械学習フレームワークを開発する。 2010-2023年の第1四半期のパネルはCrunchbaseから作成され、米国特許商標庁(USPTO)のデータと一致している。次の資金調達は12ヶ月以内に行われ、24ヶ月以内に特許ストックが成長し、IPO(IPO)や36ヶ月以内に買収される。前処理は開発ウィンドウ(2010-2019)に適合し、リークを避けるために後続のコホートに変更を加えることなく適用される。クラス不均衡は、逆精度重みとSMOTE-NC(Synthetic Minority Oversampling Technique for Nominal and Continuous Feature)を用いて対処される。また,Random Forest,XGBoost,LightGBM,CatBoostなどの木群アンサンブルを,高精度リコール曲線(PR-AUC)と受信機動作特性曲線(AUROC)の領域を用いて比較した。特許、資金、出口予測はAUROCの0.921、0.817、0.872の値を達成し、イノベーションファイナンスに対して透明で再現可能なランキングを提供する。

関連論文リスト

Explainable Machine Learning for Broadband Adoption Disparities: Tract-Level Prediction and SHAP-Based Factor Profiling [6.076837441966713]
米国は、ブロードバンド拡大のためのインフラ投資および雇用法を通じて、およそ650億ドルを割り当てている。本稿では,全国83,359施設を対象に,ブロードバンドの普及格差をプロファイリングするための機械学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-08-29T07:39:08Z)
Tabular Deep Learning for Algorithmic Trading: Cross-Regime Bayesian Optimisation for Equity Signal Generation [0.0]
5つのモデルクラスは、11年間で約300の米国株式から毎日の観測に基づいて訓練されている。 XGBoostとTabNetをランクアグリゲーションで組み合わせると、毎年51.26%のリターンを持つハイブリッドアンサンブルが生成される。ほぼゼロに近いベータでは、このパフォーマンスは市場への露出ではなく、株価の選択によるものであることを示している。
論文参考訳（メタデータ） (2026-08-27T13:01:32Z)
FIPO: Eliciting Deep Reasoning with Future-KL Influenced Policy Optimization [84.58281577727566]
本稿では,大規模言語モデルにおける推論ボトルネックを克服する強化学習アルゴリズムであるFuture-KL Influenced Policy Optimization (FIPO)を提案する。 FIPOは、割引先KLの分岐をポリシー更新に組み込むことでこの問題に対処し、その後の軌道行動への影響に基づいてトークンを再重み付けする密集した有利な定式化を作成する。 Qwen2.5-32Bで評価され、FIPOは平均チェーン長を約4,000から10,000以上のトークンに拡張し、AIME 2024 Pass@1の精度を50.0%から58.0%に向上させた。
論文参考訳（メタデータ） (2026-03-20T10:24:50Z)
Forecasting the Maintained Score from the OpenSSF Scorecard for GitHub Repositories linked to PyPI libraries [78.48200143057376]
今後,OpenSSFが保持するスコアをどの程度予測できるかを検討する。 PageRankによって、最も中央のPyPIライブラリのトップ1%に関連付けられた3,220のGitHubリポジトリを分析します。以上の結果から,今後の保守活動は有意義な精度で予測できることが示唆された。
論文参考訳（メタデータ） (2026-01-26T10:32:54Z)
Every Step Evolves: Scaling Reinforcement Learning for Trillion-Scale Thinking Model [100.86587937568832]
Ring-1Tは、数兆のパラメータを持つ最初のオープンソースの最先端の思考モデルである。総パラメータは1兆で、1トークンあたり約500億を活性化する。
論文参考訳（メタデータ） (2025-10-21T17:46:14Z)
Enhancing Credit Default Prediction Using Boruta Feature Selection and DBSCAN Algorithm with Different Resampling Techniques [0.0]
本研究では,SMOTE,SMOTE-Tomek,ADASYNの3つの手法を比較し,信用デフォルト予測について検討した。クレジットデフォルトデータセットが通常歪んでいることを認識して、不均衡なデータ上で機械学習(ML)モデルを評価することから分析を始めました。
論文参考訳（メタデータ） (2025-09-23T13:43:18Z)
From Limited Data to Rare-event Prediction: LLM-powered Feature Engineering and Multi-model Learning in Venture Capital [0.0]
本稿では,大規模言語モデル (LLM) とマルチモデル機械学習 (ML) アーキテクチャを統合することで,希少かつ高インパクトな結果を予測する枠組みを提案する。構造化されていないデータから複雑な信号を抽出・合成するために,LLMを利用した特徴工学を用いる。我々はこのフレームワークをVC(Venture Capital)の分野に適用し、投資家は限られた、騒々しいアーリーステージデータでスタートアップを評価する必要がある。
論文参考訳（メタデータ） (2025-09-09T20:46:54Z)
High-Dimensional Learning in Finance [0.0]
機械学習の最近の進歩は、財務予測に有望な結果を示している。本稿では,これらの手法が予測的成功をいつ,どのように達成するかを理解するための理論的基礎と実証的検証を提供する。
論文参考訳（メタデータ） (2025-06-04T09:41:55Z)
Timing is Important: Risk-aware Fund Allocation based on Time-Series Forecasting [10.540006708939647]
我々は、資金配分の問題を解決するために、リスク対応の時系列予測(RTS-PnO)フレームワークを導入する。このフレームワークには, 目標アライメント測定によるエンドツーエンドトレーニング, (ii) 適応予測の不確実性校正, (iii) 予測モデルに非依存な3つの特徴がある。 RTS-PnOの評価はオンラインとオフラインの両方の実験で行われている。
論文参考訳（メタデータ） (2025-05-30T17:36:45Z)
VAPO: Efficient and Reliable Reinforcement Learning for Advanced Reasoning Tasks [49.0793012627959]
本稿では,価値に基づくパラダイム内での推論モデルに適した新しいフレームワークVAPOを提案する。 VAPOは最先端のスコアが$mathbf60.4$に達する。同じ実験条件下で直接比較すると、VAPOはDeepSeek-R1-Zero-Qwen-32BとDAPOの結果を10点以上上回っている。
論文参考訳（メタデータ） (2025-04-07T14:21:11Z)
Predictive Patentomics: Forecasting Innovation Success and Valuation with ChatGPT [0.0]
OpenAIの最先端のテキスト埋め込みは、各発明の品質と影響に関する複雑な情報にアクセスする。このニュアンスド埋め込みは、特許価値を予測するR二乗法を24%の漸進的に改善する。
論文参考訳（メタデータ） (2023-06-22T13:21:20Z)
Tight Guarantees for Interactive Decision Making with the Decision-Estimation Coefficient [51.37720227675476]
我々は、決定推定係数の新たな変種を導入し、それを用いて、3つの面における事前の作業を改善する新しい下界を導出する。我々は同じ量でスケールした後悔について上界を与え、フォスター等における上界と下界の間のギャップの1つを除いて全てを閉じる。この結果は、後悔のフレームワークとPACフレームワークの両方に適用され、我々が期待するいくつかの新しい分析とアルゴリズム設計技術を利用して、より広範な利用が期待できる。
論文参考訳（メタデータ） (2023-01-19T18:24:08Z)
On the Statistical Efficiency of Reward-Free Exploration in Non-Linear RL [54.55689632571575]
一般非線形関数近似による報酬なし強化学習(RL)について検討した。 RFOLIVE (Reward-Free OLIVE) アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-06-21T23:17:43Z)
Three Steps to Multimodal Trajectory Prediction: Modality Clustering, Classification and Synthesis [54.249502356251085]
我々は新しい予測フレームワークと共に新しい洞察を示す。提案手法は、社会情報や地図情報を導入することなく、最先端の作品を超える。
論文参考訳（メタデータ） (2021-03-14T06:21:03Z)

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。