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
• Authors: Saeid Mashhadi, Amirhossein Saghezchi, Vesal Ghassemzadeh Kashani,
• 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

• 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)
• 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。