Fugu-MT 論文翻訳(概要): Financial Bond Similarity Search Using Representation Learning

論文の概要: Financial Bond Similarity Search Using Representation Learning

arxiv url: http://arxiv.org/abs/2602.07020v1
Date: Mon, 02 Feb 2026 00:45:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-10 20:26:24.362461
Title: Financial Bond Similarity Search Using Representation Learning
Title（参考訳）: 表現学習を用いた金融的債券類似性検索
Authors: Amin Haeri, Mahdi Ghelichi, Nishant Agrawal, David Li, Catalina Gomez Sanchez,
Abstract要約: 数値的な財務属性は、しばしば発行部門やドミシレのような分類上の非金融属性を覆い隠す。本稿では,これらの分類属性が拡散曲線の予測可能性を支配することを示し,それらの意味的類似性を捉えるための埋め込みモデルを提案する。
参考スコア（独自算出の注目度）: 2.5939197265088385
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Finding similar bonds remains challenging in fixed-income analytics, as numerical financial attributes often overshadow categorical non-financial ones such as issuer sector and domicile. This paper shows that these categorical attributes dominate the predictability of spread curves and proposes embedding models to capture their semantic similarities, outperforming one-hot and many other baselines. Evaluated via sparse-issuer augmentation, the approach improves risk modeling and curve construction.
Abstract（参考訳）: 債券の発見は固定所得分析において依然として困難であり、数値的な財務属性は発行部門やドミシレのような非金融部門を覆すことが多い。本稿では,これらの分類属性が拡散曲線の予測可能性を支配することを示し,それらの意味的類似性を捉えるために埋め込みモデルを提案する。この手法はスパース・パブリッシャの強化を通じて評価され、リスクモデリングと曲線構築を改善する。

関連論文リスト

Exploring the Reliability of Self-explanation and its Relationship with Classification in Language Model-driven Financial Analysis [9.841055524057545]
言語モデル(LM)は、推論や詳細な財務分析において、非常に多様である。 LMによる自己説明を定量的に評価し,その事実と因果性に着目した。
論文参考訳（メタデータ） (2025-03-20T09:33:59Z)
Fairness Increases Adversarial Vulnerability [50.90773979394264]
フェアネスとロバストネスの間に二分法が存在することを示し、フェアネスを達成するとモデルロバストネスを減少させる。非線形モデルと異なるアーキテクチャの実験は、複数の視覚領域における理論的発見を検証する。フェアネスとロバストネスの良好なトレードオフを達成するためのモデルを構築するための,シンプルで効果的なソリューションを提案する。
論文参考訳（メタデータ） (2022-11-21T19:55:35Z)
Are Neural Topic Models Broken? [81.15470302729638]
トピックモデルの自動評価と人的評価の関係について検討する。ニューラルトピックモデルは、確立された古典的手法と比較して、両方の点においてより悪くなる。
論文参考訳（メタデータ） (2022-10-28T14:38:50Z)
The Interplay Between Implicit Bias and Benign Overfitting in Two-Layer Linear Networks [51.1848572349154]
ノイズの多いデータに完全に適合するニューラルネットワークモデルは、見当たらないテストデータにうまく一般化できる。我々は,2層線形ニューラルネットワークを2乗損失の勾配流で補間し,余剰リスクを導出する。
論文参考訳（メタデータ） (2021-08-25T22:01:01Z)
Path Integrals for the Attribution of Model Uncertainties [0.18899300124593643]
本稿では,特徴ベクトルと反事実ベクトルを連結する分布内曲線に依存する新しいアルゴリズムを提案する。我々は,様々な解像度で画像データセットをベンチマークし,解釈可能性を大幅に単純化することを示す。
論文参考訳（メタデータ） (2021-07-19T11:07:34Z)
Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics [85.31247588089686]
変分ベイズ法はベイズモデルのパラメトリック的および非パラメトリック的側面に対して感性が得られることを示す。ベイズ感度分析に対する変動的アプローチの理論的および経験的支援を提供する。
論文参考訳（メタデータ） (2021-07-08T03:40:18Z)
Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文参考訳（メタデータ） (2020-10-25T18:51:15Z)
Adversarial Robustness of Supervised Sparse Coding [34.94566482399662]
表現を学習すると同時に、正確な一般化境界と堅牢性証明を与えるモデルを考える。線形エンコーダと組み合わされたスパーシティプロモーティングエンコーダを組み合わせた仮説クラスに着目した。エンドツーエンドの分類のための堅牢性証明を提供する。
論文参考訳（メタデータ） (2020-10-22T22:05:21Z)
Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
論文参考訳（メタデータ） (2020-10-09T12:26:27Z)
Navigating the Dynamics of Financial Embeddings over Time [0.0]
スケーラブルな動的環境におけるグラフ表現学習の応用を提案する。我々は、現実の洞察を抽出するために、潜航軌道の厳密な定性的分析を行う。
論文参考訳（メタデータ） (2020-07-01T16:27:31Z)

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。