論文の概要: HINTS: Extraction of Human Insights from Time-Series Without External Sources

• arxiv url: http://arxiv.org/abs/2512.23755v1
• Date: Sat, 27 Dec 2025 15:13:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.140106
• Title: HINTS: Extraction of Human Insights from Time-Series Without External Sources
• Title（参考訳）: HINTS:外部ソースのない時系列からのヒューマンインサイト抽出
• Authors: Sheo Yon Jhin, Noseong Park,
• Abstract要約: 人間の意思決定、感情、集団心理学は、金融・経済システムで観察される時間的ダイナミクスを形成する複雑な要素である。 外部データのない時系列残差から不均一にこれらの潜伏要因を抽出する自己教師型学習フレームワークであるHINTSを提案する。
• 参考スコア（独自算出の注目度）: 32.55954799466416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human decision-making, emotions, and collective psychology are complex factors that shape the temporal dynamics observed in financial and economic systems. Many recent time series forecasting models leverage external sources (e.g., news and social media) to capture human factors, but these approaches incur high data dependency costs in terms of financial, computational, and practical implications. In this study, we propose HINTS, a self-supervised learning framework that extracts these latent factors endogenously from time series residuals without external data. HINTS leverages the Friedkin-Johnsen (FJ) opinion dynamics model as a structural inductive bias to model evolving social influence, memory, and bias patterns. The extracted human factors are integrated into a state-of-the-art backbone model as an attention map. Experimental results using nine real-world and benchmark datasets demonstrate that HINTS consistently improves forecasting accuracy. Furthermore, multiple case studies and ablation studies validate the interpretability of HINTS, demonstrating strong semantic alignment between the extracted factors and real-world events, demonstrating the practical utility of HINTS.
• Abstract（参考訳）: 人間の意思決定、感情、集団心理学は、金融・経済システムで観察される時間的ダイナミクスを形成する複雑な要素である。 近年の時系列予測モデルの多くは、外部ソース(ニュースやソーシャルメディアなど)を利用して人的要因を捉えるが、これらのアプローチは、財務、計算、実践的な意味において、高いデータ依存コストを発生させる。 本研究では、外部データのない時系列残差から不均一にこれらの潜伏要因を抽出する自己教師型学習フレームワークであるHINTSを提案する。 HINTSは、FJ(Friedkin-Johnsen)の意見力学モデルを構造的帰納バイアスとして活用し、進化する社会的影響、記憶、バイアスパターンをモデル化する。 抽出された人的要因を注目マップとして最先端のバックボーンモデルに統合する。 9つの実世界のデータセットとベンチマークデータセットを用いた実験結果は、HINTSが常に予測精度を向上することを示した。 さらに,HINTSの解釈可能性を検証し,抽出した要因と実世界の事象との強い意味的整合性を実証し,HINTSの実用性を実証した。

関連論文リスト

• Do-PFN: In-Context Learning for Causal Effect Estimation [75.62771416172109]
  予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。 提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
  論文  参考訳（メタデータ） (2025-06-06T12:43:57Z)
• Predictive AI with External Knowledge Infusion for Stocks [7.141953814374132]
  株価の変動は、単なる歴史的データを超える要因の複雑な相互作用の影響を受けている。 本稿では,歴史的傾向から学習する学習メカニズムを提案するとともに,時間的知識グラフから外部知識を取り入れた学習機構を提案する。 広範な実験により、学習された動的表現は、複数の保持期間にまたがるリターンに基づいて、ストックを効果的にランク付けすることを示した。
  論文  参考訳（メタデータ） (2025-04-14T14:15:48Z)
• Decoupled Marked Temporal Point Process using Neural Ordinary Differential Equations [14.828081841581296]
  MTPP(マークド・テンポラル・ポイント・プロセス)は、イベント・タイム・データの集合である。 近年の研究では、ディープニューラルネットワークを使用してイベントの複雑な時間的依存関係をキャプチャしている。 本稿では,プロセスの特性を異なる事象からの進化的影響の集合に分解する脱結合型MTPPフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-10T10:15:32Z)
• Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
  CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す 提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。 コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
  論文  参考訳（メタデータ） (2024-02-01T07:21:30Z)
• Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
  誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。 既存の感受性研究は、自己報告された信念に大きく依存している。 本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
  論文  参考訳（メタデータ） (2023-11-16T07:22:56Z)
• COSTAR: Improved Temporal Counterfactual Estimation with Self-Supervised Learning [35.119957381211236]
  我々は,歴史表現を改善するために自己教師付き学習を統合する新しいアプローチであるCOSTAR(Counterfactual Self-Supervised Transformer)を紹介する。 COSTARは、既存のモデルと比較して、推定精度と分布外データへの一般化において優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-11-01T22:38:14Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• Improving Prediction of Cognitive Performance using Deep Neural Networks in Sparse Data [2.867517731896504]
  MIDUS(Midlife in the United States)の観察・コホート研究から得られたデータを用いて,エグゼクティブ機能とエピソード記憶測定をモデル化した。 ディープニューラルネットワーク(DNN)モデルは、認知パフォーマンス予測タスクの中で一貫して最高である。
  論文  参考訳（メタデータ） (2021-12-28T22:23:08Z)

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。