論文の概要: Bridging Structured Knowledge and Data: A Unified Framework with Finance Applications

• arxiv url: http://arxiv.org/abs/2604.00987v1
• Date: Wed, 01 Apr 2026 14:51:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.044459
• Title: Bridging Structured Knowledge and Data: A Unified Framework with Finance Applications
• Title（参考訳）: 構造化知識とデータのブリッジ:財務アプリケーションとの統一フレームワーク
• Authors: Yi Cao, Zexun Chen, Lin William Cong, Heqing Shi,
• Abstract要約: 我々は、理論的、シミュレートされた、以前に学んだ、あるいはクロスドメインな洞察を柔軟な神経関数近似の微分可能な制約として組み込む統一的な推定フレームワークを開発する。 SKINNは、単一最適化問題において、ニューラルネットワークパラメータと経済的に意味のある構造パラメータを共同で推定する。 価格設定のための実証的な金融アプリケーションでは、SKINNは、特に長期の地平線や高ボラティリティ体制下で、サンプル外のバリュエーションとヘッジパフォーマンスを改善している。
• 参考スコア（独自算出の注目度）: 1.2805359127629214
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We develop Structured-Knowledge-Informed Neural Networks (SKINNs), a unified estimation framework that embeds theoretical, simulated, previously learned, or cross-domain insights as differentiable constraints within flexible neural function approximation. SKINNs jointly estimate neural network parameters and economically meaningful structural parameters in a single optimization problem, enforcing theoretical consistency not only on observed data but over a broader input domain through collocation, and therefore nesting approaches such as functional GMM, Bayesian updating, transfer learning, PINNs, and surrogate modeling. SKINNs define a class of M-estimators that are consistent and asymptotically normal with root-N convergence, sandwich covariance, and recovery of pseudo-true parameters under misspecification. We establish identification of structural parameters under joint flexibility, derive generalization and target-risk bounds under distributional shift in a convex proxy, and provide a restricted-optimal characterization of the weighting parameter that governs the bias-variance tradeoff. In an illustrative financial application to option pricing, SKINNs improve out-of-sample valuation and hedging performance, particularly at longer horizons and during high-volatility regimes, while recovering economically interpretable structural parameters with improved stability relative to conventional calibration. More broadly, SKINNs provide a general econometric framework for combining model-based reasoning with high-dimensional, data-driven estimation.
• Abstract（参考訳）: SKINN(Structured-Knowledge-Informed Neural Networks)は、フレキシブルニューラルネットワーク近似において、理論的、シミュレート、事前学習、あるいはクロスドメインの洞察を微分可能な制約として組み込む統一的な推定フレームワークである。 SKINNは、単一最適化問題におけるニューラルネットワークパラメータと経済的に有意な構造パラメータを共同で推定し、観測データだけでなく、コロケーションを通じてより広い入力領域に理論的な一貫性を強制する。 SKINNは、ルート-N収束、サンドイッチ共分散、および誤特定の下での擬似真のパラメータの回復と一致し、漸近的に正常なM推定器のクラスを定義する。 本研究では, 共振器の分散シフトによる構造パラメータの同定, 一般化, 目標リスク境界の導出, バイアス分散トレードオフを規定する重み付けパラメータの限定最適評価を行う。 価格設定のための実証的な金融的応用として、SKINNは、特に長期の地平線や高ボラティリティ体制において、サンプル外のバリュエーションとヘッジ性能を改善しつつ、従来のキャリブレーションに対する安定性を改善した経済的な解釈可能な構造パラメータを回復する。 より広範に、SKINNは、モデルベースの推論と高次元のデータ駆動推定を組み合わせた一般的な計量フレームワークを提供する。

関連論文リスト

• Towards A Unified PAC-Bayesian Framework for Norm-based Generalization Bounds [63.47271262149291]
  PAC-Bayesianノルムに基づく一般化のための統一的なフレームワークを提案する。 提案手法の鍵となるのは、構造的重み摂動に関してネットワーク出力を定量化する感度行列である。 我々は、いくつかの既存のPAC-ベイジアン結果を特殊ケースとして回復する一般化境界の族を導出する。
  論文  参考訳（メタデータ） (2026-01-13T00:42:22Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization [49.567092222782435]
  我々は,異なる特徴帰属法間の合意として定義された,XAI整合性という新しい概念を紹介する。 予測性能と説明のバランスをとる多目的最適化フレームワークを構築した。 本研究は、トレードオフゾーンバランス性能損失とXAI整合性による強靭性向上のモデルについて、今後の研究基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-12T13:19:14Z)
• Error Bounds of Supervised Classification from Information-Theoretic Perspective [0.0]
  我々は、情報理論の観点から、教師付き分類にディープニューラルネットワークを使用する場合の予測リスクのバウンダリについて検討する。 経験的リスクをさらに分解したモデルリスクとフィッティングエラーを導入する。
  論文  参考訳（メタデータ） (2024-06-07T01:07:35Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Variational Inference for Bayesian Neural Networks under Model and Parameter Uncertainty [12.211659310564425]
  BNNにおける構造学習の枠組みとしてモデル不確実性の概念を適用した。 本稿では,限界包摂確率の再パラメータ化による拡張性のある変分推論手法を提案する。
  論文  参考訳（メタデータ） (2023-05-01T16:38:17Z)
• Orthogonal Stochastic Configuration Networks with Adaptive Construction Parameter for Data Analytics [6.940097162264939]
  ランダム性により、SCNは冗長で品質の低い近似線形相関ノードを生成する可能性が高まる。 機械学習の基本原理、すなわち、パラメータが少ないモデルでは、一般化が向上する。 本稿では,ネットワーク構造低減のために,低品質な隠れノードをフィルタする直交SCN(OSCN)を提案する。
  論文  参考訳（メタデータ） (2022-05-26T07:07:26Z)
• An Interpretable Neural Network for Parameter Inference [0.0]
  本稿では,回帰モデルのパラメータに対する局所的な後部分布を推定できる生成型ニューラルネットワークアーキテクチャを提案する。 パラメータは入力の観点から予測を完全に説明し、複雑な異種効果や特徴依存の存在下での可視化、解釈、推論を可能にする。 提案されたニューラルネットワークは、パラメータ推論が重要な役割を果たす経済や金融の応用に特に適している。
  論文  参考訳（メタデータ） (2021-06-10T06:56:01Z)

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。