論文の概要: GAPNet: Plug-in Jointly Learning Task-Specific Graph for Dynamic Stock Relation

• arxiv url: http://arxiv.org/abs/2602.00888v1
• Date: Sat, 31 Jan 2026 20:25:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.453876
• Title: GAPNet: Plug-in Jointly Learning Task-Specific Graph for Dynamic Stock Relation
• Title（参考訳）: GAPNet: 動的ストックリレーションのための共同学習タスク特化グラフ
• Authors: Yingjie Niu, Lanxin Lu, Changhong Jin, Ruihai Dong,
• Abstract要約: 本稿では,タスク固有のトポロジと表現をエンドツーエンドで共同で学習するグラフ適応プラグインネットワークであるGAPNetを提案する。 2つの実世界のストックデータセットを通して、GAPNetは、最先端のモデルとの比較において、収益性と安定性を継続的に向上することが示されている。
• 参考スコア（独自算出の注目度）: 3.7582774908258294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advent of the web has led to a paradigm shift in the financial relations, with the real-time dissemination of news, social discourse, and financial filings contributing significantly to the reshaping of financial forecasting. The existing methods rely on establishing relations a priori, i.e. predefining graphs to capture inter-stock relationships. However, the stock-related web signals are characterised by high levels of noise, asynchrony, and challenging to obtain, resulting in poor generalisability and non-alignment between the predefined graphs and the downstream tasks. To address this, we propose GAPNet, a Graph Adaptation Plug-in Network that jointly learns task-specific topology and representations in an end-to-end manner. GAPNet attaches to existing pairwise graph or hypergraph backbone models, enabling the dynamic adaptation and rewiring of edge topologies via two complementary components: a Spatial Perception Layer that captures short-term co-movements across assets, and a Temporal Perception Layer that maintains long-term dependency under distribution shift. Across two real-world stock datasets, GAPNet has been shown to consistently enhance the profitability and stability in comparision to the state-of-the-art models, yielding annualised cumulative returns of up to 0.47 for RT-GCN and 0.63 for CI-STHPAN, with peak Sharpe Ratio of 2.20 and 2.12 respectively. The plug-and-play design of GAPNet ensures its broad applicability to diverse GNN-based architectures. Our results underscore that jointly learning graph structures and representations is essential for task-specific relational modeling.
• Abstract（参考訳）: ウェブの出現は金融関係のパラダイムシフトを招き、ニュース、社会談話、財務書類のリアルタイム配信が金融予測の改革に大きく寄与した。 既存の手法は、関係を優先的に確立すること、すなわち、関係を捉えるためにグラフを事前に定義することに依存している。 しかし、ストック関連のWeb信号は、高レベルのノイズ、非同期性、取得が困難なため、事前定義されたグラフと下流タスクの間の一般化性や非調整性が低い。 そこで本稿では,タスク固有のトポロジと表現をエンドツーエンドで共同で学習するグラフ適応プラグインネットワークであるGAPNetを提案する。 GAPNetは既存のペアワイズグラフやハイパーグラフのバックボーンモデルにアタッチメントすることで,2つの補完的なコンポーネントを通じてエッジトポロジの動的適応とリライトを可能にする。 GAPNetは2つの実世界の株価データセットの中で、最先端のモデルとの比較において、収益性と安定性を継続的に向上させ、RT-GCNは最大0.47、CI-STHPANは最大0.63、シャープ比は2.20と2.12である。 GAPNetのプラグアンドプレイ設計は、多様なGNNベースのアーキテクチャに広く適用可能であることを保証している。 本結果は,タスク固有リレーショナルモデリングにおいて,グラフ構造と表現を共同学習することが重要であることを示す。

関連論文リスト

• Regularized Adaptive Graph Learning for Large-Scale Traffic Forecasting [5.212619320601785]
  トラフィック予測のための正規化適応グラフ学習(RAG)モデルを提案する。 RAGLは予測精度の点で最先端の手法を一貫して上回り、競争力のある計算効率を示す。 4つの大規模実世界の交通データセットの実験により、RAGLは予測精度において最先端の手法を一貫して上回り、競争力のある計算効率を示すことが示された。
  論文  参考訳（メタデータ） (2025-06-08T14:58:27Z)
• Pre-trained Graphformer-based Ranking at Web-scale Search (Extended Abstract) [56.55728466130238]
  本稿では,変換器の回帰能力をGNNのリンク予測強度と統合することを目的とした新しいMPGrafモデルを提案する。 我々は、MPGrafの性能を厳格に評価するために、大規模なオフラインおよびオンライン実験を行っている。
  論文  参考訳（メタデータ） (2024-09-25T03:33:47Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• DURENDAL: Graph deep learning framework for temporal heterogeneous networks [0.5156484100374057]
  時間的異種ネットワーク(THN)は、多くの現実世界の応用を特徴付ける進化的ネットワークである。 THNのためのグラフ深層学習フレームワークであるDURENDALを提案する。
  論文  参考訳（メタデータ） (2023-09-30T10:46:01Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
  論文  参考訳（メタデータ） (2023-03-14T20:35:45Z)
• Soft Hierarchical Graph Recurrent Networks for Many-Agent Partially Observable Environments [9.067091068256747]
  本稿では,階層型グラフ再帰ネットワーク(HGRN)と呼ばれる新しいネットワーク構造を提案する。 以上の技術に基づいて,Soft-HGRNと呼ばれる値に基づくMADRLアルゴリズムと,SAC-HRGNというアクタクリティカルな変種を提案する。
  論文  参考訳（メタデータ） (2021-09-05T09:51:25Z)
• Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting [47.19400232038575]
  ノード固有のパターンの学習は、事前に定義されたグラフが避けられる間、トラフィック予測に不可欠である、と我々は主張する。 本稿では,新たな機能を備えたグラフ・コンパス・ネットワーク(GCN)の拡張のための2つの適応モジュールを提案する。 実世界の2つの交通データセットに対する実験により、AGCRNは空間接続に関する事前定義されたグラフを使わずに、かなりのマージンで最先端の性能を示した。
  論文  参考訳（メタデータ） (2020-07-06T15:51:10Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。