論文の概要: Decoding Market Emotions in Cryptocurrency Tweets via Predictive Statement Classification with Machine Learning and Transformers

• arxiv url: http://arxiv.org/abs/2603.24933v1
• Date: Thu, 26 Mar 2026 01:52:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.043456
• Title: Decoding Market Emotions in Cryptocurrency Tweets via Predictive Statement Classification with Machine Learning and Transformers
• Title（参考訳）: 機械学習とトランスフォーマーを用いた予測文分類による暗号ツイートの市場感情のデコード
• Abstract要約: 本研究では,暗号通貨関連ツイートにおける予測文を識別する新しい分類フレームワークを提案する。 Cardano、Matic、Ripple、Ripple、Fantomの5つの人気暗号通貨に焦点を当てています。 感情分析の結果,各予測カテゴリに関連する感情パターンが,異なる暗号通貨で明らかとなった。
• 参考スコア（独自算出の注目度）: 1.7210129323991044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing prominence of cryptocurrencies has triggered widespread public engagement and increased speculative activity, particularly on social media platforms. This study introduces a novel classification framework for identifying predictive statements in cryptocurrency-related tweets, focusing on five popular cryptocurrencies: Cardano, Matic, Binance, Ripple, and Fantom. The classification process is divided into two stages: Task 1 involves binary classification to distinguish between Predictive and Non-Predictive statements. Tweets identified as Predictive proceed to Task 2, where they are further categorized as Incremental, Decremental, or Neutral. To build a robust dataset, we combined manual and GPT-based annotation methods and utilized SenticNet to extract emotion features corresponding to each prediction category. To address class imbalance, GPT-generated paraphrasing was employed for data augmentation. We evaluated a wide range of machine learning, deep learning, and transformer-based models across both tasks. The results show that GPT-based balancing significantly enhanced model performance, with transformer models achieving the highest F1-score in Task 1, while traditional machine learning models performed best in Task 2. Furthermore, our emotion analysis revealed distinct emotional patterns associated with each prediction category across the different cryptocurrencies.
• Abstract（参考訳）: 暗号通貨の普及は、特にソーシャルメディアプラットフォームにおいて、広く公的な関与と投機的活動の高まりを引き起こしている。 本研究では,Cardano,Matic,Binance,Ripple,Fantomの5つの暗号通貨に着目し,暗号関連ツイートの予測文を識別する新しい分類フレームワークを提案する。 分類過程は2つの段階に分けられる: タスク1は予測文と非予測文を区別する二項分類を含む。 ツイートは第2タスクへの予測的な進行と認識され、さらにインクリメンタル、デクリメンタル、ニュートラルに分類される。 頑健なデータセットを構築するために,手動およびGPTベースのアノテーション手法を併用し,SenticNetを用いて各予測カテゴリに対応する感情特徴を抽出した。 クラス不均衡に対処するため、GPT生成パラフレーズをデータ拡張に使用した。 両タスクの幅広い機械学習、ディープラーニング、トランスフォーマーベースのモデルを評価した。 その結果、GPTベースのバランスはモデル性能を著しく向上させ、トランスフォーマーモデルはタスク1で最も高いF1スコアを達成し、従来の機械学習モデルはタスク2で最高のパフォーマンスを示した。 さらに, 感情分析により, それぞれの予測カテゴリに関連付けられた感情パターンが, 異なる暗号通貨にまたがって明らかとなった。

関連論文リスト

• Revisiting [CLS] and Patch Token Interaction in Vision Transformers [16.71411137558127]
  視覚変換器は、強力でスケーラブルで汎用的な表現学習器として登場した。 我々は,異なる事前学習戦略の下で,グローバルな特徴学習とローカルな特徴学習の摩擦について検討する。 本稿では,クラスとパッチトークンの計算フローを選択的に切り離す特殊な処理経路を提案する。
  論文  参考訳（メタデータ） (2026-02-09T13:16:01Z)
• IGD: Token Decisiveness Modeling via Information Gain in LLMs for Personalized Recommendation [79.22388408461458]
  我々は,トークン決定性をチューニングと復号の両方に統合する情報ゲインに基づく決定性対応トークンハンドリング(IGD)戦略を導入する。 IGDはリコメンデーションの精度を一貫して改善し、強力なベースラインに比べて広く使われているランキングの指標で顕著に向上した。
  論文  参考訳（メタデータ） (2025-06-16T08:28:19Z)
• A Novel Hybrid Approach Using an Attention-Based Transformer + GRU Model for Predicting Cryptocurrency Prices [0.0]
  本稿では,Transformer と Gated Recurrent Unit (GRU) アーキテクチャを統合した新しいディープラーニングハイブリッドモデルを提案する。 長距離パターンのキャプチャにおけるTransformerの強みと、GRUの短期トレンドとシーケンシャルトレンドをモデル化する能力を組み合わせることで、ハイブリッドモデルは時系列予測に十分に取り組んだアプローチを提供する。 提案モデルと他の4つの機械学習モデルとの比較により,提案モデルの性能を評価する。
  論文  参考訳（メタデータ） (2025-04-23T20:00:47Z)
• Exploring Sentiment Dynamics and Predictive Behaviors in Cryptocurrency Discussions by Few-Shot Learning with Large Language Models [4.573779790701493]
  本研究は,暗号通貨に関する議論の中で,予測文,希望音声,レグレト検出行動の分析を行う。 そこで我々は,「予測文」という新しい分類手法を導入し,コメントを予測的・予測的・予測的・予測的・予測的・予測的・非予測的カテゴリーに分類する。 マティックは、楽観的な予測に対して顕著に高い正当性を示す。
  論文  参考訳（メタデータ） (2024-09-04T16:02:30Z)
• Dual-Path Adversarial Lifting for Domain Shift Correction in Online Test-time Adaptation [59.18151483767509]
  テスト時間適応におけるドメインシフト補正のためのデュアルパストークンリフトを導入する。 次に、インターリーブされたトークン予測とドメインシフトトークンのパスとクラストークンのパスの間の更新を行う。 評価実験の結果,提案手法はオンライン完全テスト時間領域適応性能を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2024-08-26T02:33:47Z)
• Review of deep learning models for crypto price prediction: implementation and evaluation [5.240745112593501]
  本稿では、暗号通貨価格予測のためのディープラーニングに関する文献をレビューし、暗号通貨価格予測のための新しいディープラーニングモデルを評価する。 我々のディープラーニングモデルには、長い短期記憶(LSTM)リカレントニューラルネットワークの変種、畳み込みニューラルネットワーク(CNN)の変種、トランスフォーマーモデルが含まれています。 また、新型コロナウイルスのパンデミックを通じて価格の大幅な変動を示す4つの暗号通貨のボラティリティ分析を実施している。
  論文  参考訳（メタデータ） (2024-05-19T03:15:27Z)
• Generative Multi-modal Models are Good Class-Incremental Learners [51.5648732517187]
  クラス増分学習のための新しい生成型マルチモーダルモデル(GMM)フレームワークを提案する。 提案手法は適応生成モデルを用いて画像のラベルを直接生成する。 Few-shot CIL設定では、現在の最先端のすべてのメソッドに対して少なくとも14%精度が向上し、忘れてはならない。
  論文  参考訳（メタデータ） (2024-03-27T09:21:07Z)
• Forging the Forger: An Attempt to Improve Authorship Verification via Data Augmentation [52.72682366640554]
  著者検証(英語: Authorship Verification, AV)とは、ある特定の著者によって書かれたか、別の人物によって書かれたのかを推測するテキスト分類タスクである。 多くのAVシステムは敵の攻撃に弱いことが示されており、悪意のある著者は、その書体スタイルを隠蔽するか、あるいは他の著者の書体を模倣することによって、積極的に分類者を騙そうとしている。
  論文  参考訳（メタデータ） (2024-03-17T16:36:26Z)
• Contrastive Learning and Mixture of Experts Enables Precise Vector Embeddings [0.0]
  本稿では,類似度指標として共引用を用いてニッチデータセットを組み立てることにより,科学的テキストのベクトル埋め込みを改善する。 本研究では,複数層のパーセプトロン区間を拡大し,複数の異なる専門家にコピーする,新たなMixture of Experts(MoE)拡張パイプラインを事前訓練されたBERTモデルに適用する。
  論文  参考訳（メタデータ） (2024-01-28T17:34:42Z)
• WR-ONE2SET: Towards Well-Calibrated Keyphrase Generation [57.11538133231843]
  キーワード生成は、入力文書を要約する短いフレーズを自動的に生成することを目的としている。 最近登場したONE2SETパラダイムは、キーフレーズをセットとして生成し、競争性能を達成した。 本稿では, ONE2SET を拡張した WR-ONE2SET を提案する。
  論文  参考訳（メタデータ） (2022-11-13T09:56:24Z)
• Guiding Generative Language Models for Data Augmentation in Few-Shot Text Classification [59.698811329287174]
  我々は、GPT-2を用いて、分類性能を向上させるために、人工訓練インスタンスを生成する。 実験の結果,少数のラベルインスタンスでGPT-2を微調整すると,一貫した分類精度が向上することがわかった。
  論文  参考訳（メタデータ） (2021-11-17T12:10:03Z)
• Task Adaptive Pretraining of Transformers for Hostility Detection [11.306581296760864]
  a)ヒンディー語のツイートの粗い二分分類を敵対的か否か、b)ツイートのきめ細かい多重ラベル分類を4つのカテゴリ(ヘイト、フェイク、アグレッシブ、デマネーション)に分類する。 本システムでは, 粗粒度検出のF1スコアが97.16%, 重み付きF1スコアが62.96%, 得られたブラインドテストコーパスの細粒度多ラベル分類のF1スコアが62.96%であった。
  論文  参考訳（メタデータ） (2021-01-09T15:45:26Z)

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。