論文の概要: ForesightFlow: An Information Leakage Score Framework for Prediction Markets
- arxiv url: http://arxiv.org/abs/2605.00493v1
- Date: Fri, 01 May 2026 08:04:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 17:43:28.901599
- Title: ForesightFlow: An Information Leakage Score Framework for Prediction Markets
- Title（参考訳）: ForesightFlow: 予測市場のための情報漏洩スコアフレームワーク
- Authors: Maksym Nechepurenko,
- Abstract要約: イベント解決されたバイナリ市場の場合、スコアは、パブリックニュースイベントの前に価格設定された端末情報の一部を定量化する。
このスコアは、ラベル生成と適切なスコアリングルール文学を結びつけるマーフィー分解読解を認めている。
公文書化されたPolymarketインサイダーレコードの監査では、文書化されたケースが体系的にデッドライン解決されていることが明らかになった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: ForesightFlow is an Information Leakage Score (ILS) framework for detecting informed trading on decentralized prediction markets. For an event-resolved binary market, the score quantifies the fraction of the terminal information move priced in before the public news event. Three operational scope conditions (edge effect, non-trivial total move, anchor sensitivity) are stated as preconditions for interpretation. The score admits a Murphy-decomposition reading that connects label generation to the proper-scoring-rule literature. A pilot empirical evaluation surfaces three findings. First, a resolution-anchored proxy for the public-event timestamp does not separate event-resolved markets from a matched control population (Mann-Whitney p = 1e-6, separation reversed), demonstrating that proxy quality is itself a binding constraint. Second, the article-derived timestamp on a single high-stakes case shifts the score by 0.444 in magnitude relative to the proxy and lies on the opposite side of zero. Third, an audit of the publicly documented Polymarket insider record reveals that documented cases are systematically deadline-resolved, falling outside the original ILS scope (0 of 24 FFIC inventory markets satisfied original scope conditions). This last finding motivates a deadline-ILS extension introduced in Section 7, anchored at the public-event timestamp rather than the news timestamp, and equipped with a per-category exponential hazard baseline for the time-to-event distribution. The extension closes the gap between the methodology and the population in which insider trading has been empirically documented. An end-to-end evaluation of the extension on the 2026 U.S.-Iran conflict cluster is reported in a companion paper. We release the FFIC inventory, the resolution-typology classification of the 911,237-market corpus, and all code at github.com/ForesightFlow.
- Abstract（参考訳）: ForesightFlowは、分散予測市場における情報取引を検出するための、情報漏洩スコア(ILS)フレームワークである。
イベント解決されたバイナリ市場の場合、スコアは、パブリックニュースイベントの前に価格設定された端末情報の一部を定量化する。
3つの操作範囲条件(エッジエフェクト、非自明な総移動、アンカー感度)が解釈の前提条件として述べられている。
このスコアは、ラベル生成と適切なスコアリングルール文学を結びつけるマーフィー分解読解を認めている。
パイロット実験により3つの結果が得られた。
第一に、公益タイムスタンプの解像度アンコールされたプロキシは、イベント解決された市場と一致した制御集団(Mann-Whitney p = 1e-6、分離は反転)を分離せず、プロキシの品質がそれ自体が束縛制約であることを示す。
第2に、1つのハイテイクケースにおける記事由来のタイムスタンプは、プロキシに対して0.444等級のスコアをシフトし、ゼロの反対側に位置する。
第3に、公文書化されたポリマーケットのインサイダー記録の監査では、文書化されたケースは体系的に期限付きで解決され、本来のILSの範囲外(FFICインベントリ市場の0が当初のスコープ条件を満たしている)であることが明らかにされている。
この最後の発見は、第7節で導入された期限-ILS拡張をニュースタイムスタンプではなく公開時間タイムスタンプに固定し、タイム・ツー・イベント配信のためのカテゴリごとの指数的ハザードベースラインを備えている。
この拡張は、内部取引が実証的に記録された方法論と人口の間のギャップを埋める。
2026年の米国とイランの紛争クラスターにおける拡張の終末評価を共用論文で報告した。
FFICインベントリ、911,237市場コーパスの解像度分類、およびgithub.com/ForesightFlowのすべてのコードをリリースする。
関連論文リスト
- Towards Event-Aware Forecasting in DeFi: Insights from On-chain Automated Market Maker Protocols [12.432246001199703]
自動市場メーカー(AMMs)は、分散型金融(DeFi)の中核的なインフラである
従来の市場とは異なり、AMMの価格変動は、主にリザーブレートを変化させるオンチェーンイベントによって引き起こされる。
この研究は、オンチェーン価格発見の離散性とイベント駆動特性をモデル化するために必要なデータ基盤と方法論のフレームワークを提供する。
論文 参考訳（メタデータ） (2026-04-22T09:18:09Z) - Uncertainty Estimation for the Open-Set Text Classification systems [1.0557657302168184]
テキスト領域に対するホロスティック不確実性推定法(HolUE)を適用する。
テキスト認識システムにおける予測誤りの主な原因は,不規則な定式化クエリに起因するテキストの不確かさと,データ分布のあいまいさに関連するギャラリーの不確かさである。
論文 参考訳（メタデータ） (2026-03-17T12:25:34Z) - LOCUS: A Distribution-Free Loss-Quantile Score for Risk-Aware Predictions [1.8840155706520811]
Locus は分布のないラッパーであり、固定予測関数に対する入出力損失スケールの信頼性スコアを生成する。
Locusはリスクランキングを効果的に獲得し、標準回帰よりも大きなロス周波数を低減できることを示す。
論文 参考訳（メタデータ） (2026-03-02T15:25:50Z) - Do Whitepaper Claims Predict Market Behavior? Evidence from Cryptocurrency Factor Analysis [0.0]
本研究は,暗号通貨の物語が経験的に観察された市場因子構造と一致するかどうかを考察する。
我々は10カテゴリにわたる38のホワイトペーパーのNLP分類と時間ごとの市場データのセマンティック分解を組み合わせたパイプラインを構築した。
無効な結果は、物語経済学に影響を及ぼす市場因子構造を有意に予測しないことを示す。
論文 参考訳（メタデータ） (2026-01-28T07:50:40Z) - NewsScope: Schema-Grounded Cross-Domain News Claim Extraction with Open Models [0.15039745292757667]
NewsScopeは、スキーマ付きニュースクレーム抽出のためのクロスドメインデータセット、ベンチマーク、微調整モデルである。
データセットには政治、健康、科学/環境、ビジネスに関する455の記事が含まれている。
LLaMA 3.1 8Bは、LoRAを315のトレーニング例で微調整し、保持領域内(80記事)とアウト・オブ・ソース(60記事)のテストセットで評価した。
論文 参考訳（メタデータ） (2025-12-26T19:17:21Z) - Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。
本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
論文 参考訳（メタデータ） (2025-09-10T15:22:40Z) - Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。
FASTは最先端のベースラインを超え、デバイアス性能が優れている。
これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
論文 参考訳（メタデータ） (2024-08-07T17:14:58Z) - Wild-Time: A Benchmark of in-the-Wild Distribution Shift over Time [69.77704012415845]
時間的シフトは、現実世界にデプロイされた機械学習モデルのパフォーマンスを著しく低下させる可能性がある。
ドメイン一般化、連続学習、自己教師付き学習、アンサンブル学習の手法を含む13の先行手法をベンチマークする。
いずれの評価方略も,分布外データから分布外データへの平均的な性能低下を観察する。
論文 参考訳（メタデータ） (2022-11-25T17:07:53Z) - A Closer Look at Debiased Temporal Sentence Grounding in Videos:
Dataset, Metric, and Approach [53.727460222955266]
テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。
最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。
偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
論文 参考訳（メタデータ） (2022-03-10T08:58:18Z) - Universal Off-Policy Evaluation [64.02853483874334]
ユニバーサルオフ政治推定器(UnO)への第一歩を踏み出す
我々は, 平均, 分散, 分位数/中間数, 分位数範囲, cvar, および累積分布全体の推定と同時結合に uno を用いる。
論文 参考訳（メタデータ） (2021-04-26T18:54:31Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳（メタデータ） (2020-06-08T07:24:33Z)
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。