論文の概要: FinTRec: Transformer Based Unified Contextual Ads Targeting and Personalization for Financial Applications

• arxiv url: http://arxiv.org/abs/2511.14865v1
• Date: Tue, 18 Nov 2025 19:32:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.504339
• Title: FinTRec: Transformer Based Unified Contextual Ads Targeting and Personalization for Financial Applications
• Title（参考訳）: FinTRec: トランスフォーマーをベースとした一元的コンテキスト広告と金融アプリケーションのためのパーソナライズ
• Authors: Dwipam Katariya, Snehita Varma, Akshat Shreemali, Benjamin Wu, Kalanand Mishra, Pranab Mohanty,
• Abstract要約: トランスフォーマーベースのアーキテクチャはシーケンシャルレコメンデーションシステムで広く採用されている。 ファイナンシャル・サービスにおける彼らの応用は、リアルタイム・レコメンデーションのための個別の実践的およびモデリング上の課題を提示している。 これらの課題とFSにおける運用目標に対処するトランスフォーマーベースのフレームワークであるFinTRecを提案する。
• 参考スコア（独自算出の注目度）: 3.6347845624892625
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Transformer-based architectures are widely adopted in sequential recommendation systems, yet their application in Financial Services (FS) presents distinct practical and modeling challenges for real-time recommendation. These include:a) long-range user interactions (implicit and explicit) spanning both digital and physical channels generating temporally heterogeneous context, b) the presence of multiple interrelated products require coordinated models to support varied ad placements and personalized feeds, while balancing competing business goals. We propose FinTRec, a transformer-based framework that addresses these challenges and its operational objectives in FS. While tree-based models have traditionally been preferred in FS due to their explainability and alignment with regulatory requirements, our study demonstrate that FinTRec offers a viable and effective shift toward transformer-based architectures. Through historic simulation and live A/B test correlations, we show FinTRec consistently outperforms the production-grade tree-based baseline. The unified architecture, when fine-tuned for product adaptation, enables cross-product signal sharing, reduces training cost and technical debt, while improving offline performance across all products. To our knowledge, this is the first comprehensive study of unified sequential recommendation modeling in FS that addresses both technical and business considerations.
• Abstract（参考訳）: トランスフォーマーベースのアーキテクチャは、シーケンシャルなレコメンデーションシステムで広く採用されているが、彼らのFinancial Services (FS) での応用は、リアルタイムなレコメンデーションのために異なる実践的およびモデリング上の課題を提示している。 a) デジタルチャネルと物理チャネルの両方にまたがる長距離ユーザインタラクション(シンプルで明示的な) 時間的に不均一なコンテキストを生成するb) 複数の相互関連製品の存在は、さまざまな広告配置とパーソナライズされたフィードをサポートするために協調されたモデルを必要とし、競合するビジネス目標のバランスをとる。 これらの課題とFSにおける運用目標に対処するトランスフォーマーベースのフレームワークであるFinTRecを提案する。 本研究は,FinTRecがトランスフォーマーベースアーキテクチャへの現実的かつ効果的なシフトを提供することを示すものである。 歴史的シミュレーションとライブA/Bテストの相関により、FinTRecは生産段階のツリーベースラインよりも一貫して優れていることを示す。 統一アーキテクチャは、製品適応のために微調整された場合、製品間の信号共有を可能にし、トレーニングコストと技術的負債を低減し、製品全体のオフラインパフォーマンスを改善します。 我々の知る限り、これはFSにおける統合されたシーケンシャルレコメンデーションモデリングに関する初めての総合的な研究であり、技術的およびビジネス的考察の両方に対処する。

関連論文リスト

• TransactionGPT [41.91447050171923]
  TransactionGPTは、世界最大の決済ネットワーク内のコンシューマトランザクションデータの基盤モデルである。 本稿では,支払いトランザクションデータの複雑なダイナミクスを捉えるために,新しい3D-Transformerアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-11-12T03:31:34Z)
• Benchmarking Generative AI Against Bayesian Optimization for Constrained Multi-Objective Inverse Design [0.15293427903448018]
  本稿では,制約付き多目的回帰タスクを解くための生成可能な言語モデル(LLM)の性能について検討する。 最高の性能のLDM(Math-7B)は1.21の世代距離(GD)を達成した。 この知見は, 樹脂, レオロジー, 化学特性の定式化設計の最適化に, 直接工業的応用が期待できる。
  論文  参考訳（メタデータ） (2025-10-29T10:37:09Z)
• VeritasFi: An Adaptable, Multi-tiered RAG Framework for Multi-modal Financial Question Answering [31.334698403426245]
  金融セクターにおける質問回答 (QA) には, RAG (Retrieval-Augmented Generation) がますます重要になっている。 We present VeritasFi, a innovative hybrid RAG framework that with a multi-modal preprocessing pipeline。 提案した設計を統合することで、VeritasFiは金融RAGシステムの適応性と堅牢性を大幅に向上する画期的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-10-12T22:45:24Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• An Adaptive ML Framework for Power Converter Monitoring via Federated Transfer Learning [0.0]
  本研究では、熱機械学習モデル(ML)をパワーコンバータに適用するための代替フレームワーク構成について検討する。 フレームワークは、3つの最先端のドメイン適応技術を適用することで、複数のクライアントによって漸進的に適応されるベースモデルから始まります。 フィールドデータによる検証は、ファインチューニングが簡単なTLアプローチを高精度に提供し、実用的な応用に適していることを示す。
  論文  参考訳（メタデータ） (2025-04-23T16:39:54Z)
• Cross-Modal Temporal Fusion for Financial Market Forecasting [3.0756278306759635]
  我々は、市場予測を改善するために、構造化および非構造化の財務データを融合するトランスフォーマーベースのディープラーニングフレームワークであるCross-Modal Temporal Fusion (CMTF)を導入する。 FTSE 100 ストックデータを用いた実験結果から,CMTF は古典的および深層学習ベースラインと比較して,価格方向分類において優れた性能を示した。
  論文  参考訳（メタデータ） (2025-04-18T07:20:18Z)
• Demystifying Domain-adaptive Post-training for Financial LLMs [87.28855088465197]
  FINDAPは、大規模言語モデルのドメイン適応後トレーニングに関する体系的できめ細かな研究である。 このアプローチは、FinCap、FinRec、FinTrain、FinEvalの4つの重要なコンポーネントで構成されています。 結果として得られるモデルであるLlama-Finは、幅広い財務タスクにわたる最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-01-09T04:26:15Z)

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。