論文の概要: A scalable online machine learning approach for Stock Recommendation

• arxiv url: http://arxiv.org/abs/2607.23120v1
• Date: Sat, 25 Jul 2026 09:32:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.99539
• Title: A scalable online machine learning approach for Stock Recommendation
• Title（参考訳）: ストックレコメンデーションのためのスケーラブルなオンライン機械学習アプローチ
• Abstract要約: 本稿では,Docker,RabbitMQ,Google Cloud Object Storageを用いて,分散アーキテクチャ上に構築されたスケーラブルなオンラインディープラーニングベースのストックレコメンデーションシステムを提案する。 結果は、システムはリクエスト毎に23秒でストックレコメンデーションを提供し、フォロワー毎に最大500のポートフォリオ追加要求を処理することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stock recommendation systems face the dual challenge of adapting to rapidly changing market conditions while maintaining low-latency predictions for end users. Traditional batch-trained models fail to capture concept drift, and monolithic architectures struggle to provide fault tolerance under load. This paper presents a scalable online deep learning-based stock recommendation system built on a distributed microservices architecture using Kubernetes, Docker, and RabbitMQ. The system employs a hybrid leader-follower architecture where a primary model continuously trains on streaming financial data, including EPS, MACD, and price, from the Alpha Vantage API while multiple replica models serve user-facing recommendations in parallel. A multilayer perceptron implemented with TensorFlow Recommenders generates content-based recommendations using explicit user ratings (1-5) and transfer learning. The architecture ensures high availability. The leader persists model weights to Google Cloud Object Storage, allowing replicas to recover seamlessly upon failure, while RabbitMQ provides message durability and replay. Results demonstrate that the system serves stock recommendations in 23 seconds per request and processes up to 500 portfolio addition requests per second per follower. Key limitations include data staleness (up to 150 minutes due to API rate limits) and the absence of a service mesh for inter-cluster security. This work contributes a production-ready reference architecture for online recommender systems that balances consistency, availability, and scalability in a financial domain context
• Abstract（参考訳）: ストックレコメンデーションシステムは、エンドユーザーの低遅延予測を維持しながら、急速に変化する市場の状況に適応するという2つの課題に直面している。 従来のバッチトレーニングされたモデルはコンセプトドリフトを捉えず、モノリシックアーキテクチャは負荷下でフォールトトレランスを提供するのに苦労する。 本稿では,Kubernetes,Docker,RabbitMQを使用した分散マイクロサービスアーキテクチャ上に構築された,スケーラブルなオンラインディープラーニングベースのストックレコメンデーションシステムを提案する。 このシステムでは、Alpha Vantage APIからESS、MACD、価格などのストリーミング財務データを継続的にトレーニングすると同時に、複数のレプリカモデルが並行してユーザを対象とするレコメンデーションを提供するハイブリッドリーダ・フォロワーアーキテクチャを採用している。 TensorFlow Recommendersで実装された多層パーセプトロンは、明示的なユーザレーティング(1-5)と転送学習を用いてコンテンツベースのレコメンデーションを生成する。 アーキテクチャは高可用性を保証する。 リーダはモデルウェイトをGoogle Cloud Object Storageに永続化し、障害時にレプリカをシームレスにリカバリすると同時に、RabbitMQはメッセージの耐久性とリプレイを提供する。 結果は、システムはリクエスト毎に23秒でストックレコメンデーションを提供し、フォロワー毎に最大500のポートフォリオ追加要求を処理することを示した。 主な制限は、データ安定性(APIレート制限のため最大150分)とクラスタ間セキュリティのためのサービスメッシュの欠如である。 この作業は、金融ドメインコンテキストにおける一貫性、可用性、スケーラビリティのバランスをとるオンラインレコメンデータシステムに対して、プロダクション対応のリファレンスアーキテクチャに貢献する。

関連論文リスト

• INFRAMIND: Infrastructure-Aware Multi-Agent Orchestration [18.376319491516266]
  INFRAMINDは,マルチエージェントスタック全体のインフラストラクチャを意識するフレームワークである。 赤外線対応エグゼキュータは、各エージェントステップでモデルキュー毎の深さ、キャッシュ利用、レスポンス待ち時間を観察し、どのモデルを呼び出すかを決定する。 予算対応スケジューラは、各モデルのキューをさらにリオーダーして、緊急要求を先に提供する。
  論文  参考訳（メタデータ） (2026-06-09T20:50:12Z)
• Stacked from One: Multi-Scale Self-Injection for Context Window Extension [69.24689919827817]
  Modelnameは、多粒度コンテキスト圧縮とクエリ対応情報取得に基づく新しいフレームワークである。 modelnameachievesパフォーマンスは、強いベースラインと同等か、優れている。
  論文  参考訳（メタデータ） (2026-03-05T03:16:16Z)
• SoliReward: Mitigating Susceptibility to Reward Hacking and Annotation Noise in Video Generation Reward Models [53.19726629537694]
  ビデオ生成モデルと人間の好みのトレーニング後のアライメントは、重要な目標である。 現在のデータ収集パラダイムは、プロンプト内のペアワイズアノテーションに依存しており、ノイズのラベル付けに悩まされている。 ビデオRMトレーニングのための体系的フレームワークであるSoliRewardを提案する。
  論文  参考訳（メタデータ） (2025-12-17T14:28:23Z)
• Massive Memorization with Hundreds of Trillions of Parameters for Sequential Transducer Generative Recommenders [11.073761978382398]
  VISTA(Virtual Sequential Target Attention)と呼ばれる新しい2段階モデリングフレームワークを提案する。 VISTAは、従来のターゲットの注意を候補項目からユーザ履歴項目に分解する。 このアプローチはオフラインおよびオンラインメトリクスの大幅な改善を実現し、業界をリードするレコメンデーションプラットフォームに展開しました。
  論文  参考訳（メタデータ） (2025-10-24T22:17:49Z)
• Meta-Learning for Cold-Start Personalization in Prompt-Tuned LLMs [0.8246494848934447]
  本稿では,パラメータ効率のよいプロンプトチューニングを行うためのメタラーニングフレームワークを提案する。 MovieLens-1M、Amazon Reviews、Recboleでは、当社の適応モデルは、NDCG@10、HR@10、MRRの強力なベースラインよりも優れています。 275msの適応率により、金融システムのリアルタイムリスクプロファイリングが成功している。
  論文  参考訳（メタデータ） (2025-07-22T15:07:23Z)
• Adaptable Embeddings Network (AEN) [49.1574468325115]
  我々はカーネル密度推定(KDE)を用いた新しいデュアルエンコーダアーキテクチャであるAdaptable Embeddings Networks (AEN)を紹介する。 AENは、再トレーニングせずに分類基準のランタイム適応を可能にし、非自己回帰的である。 アーキテクチャのプリプロセスとキャッシュ条件の埋め込み能力は、エッジコンピューティングアプリケーションやリアルタイム監視システムに最適である。
  論文  参考訳（メタデータ） (2024-11-21T02:15:52Z)
• ConServe: Fine-Grained GPU Harvesting for LLM Online and Offline Co-Serving [61.35068981176018]
  ConServeは、高いスループットと強力なオンラインレイテンシ保証を実現する大規模言語モデル(LLM)サービスシステムである。 我々は,ConServeが平均2.2$times$高スループットを実現し,オンラインサービステールのレイテンシを最先端システムと比較して平均2.9$times$削減することを示した。
  論文  参考訳（メタデータ） (2024-10-02T04:12:13Z)
• A GPU-specialized Inference Parameter Server for Large-Scale Deep Recommendation Models [6.823233135936128]
  推薦システムは、ニュースフィード、ソーシャルネットワーク、eコマース、検索など、様々なモダンなアプリやWebサービスにとって不可欠である。 ピーク予測精度を達成するため、現代のレコメンデーションモデルは、ディープラーニングとテラバイト規模の埋め込みテーブルを組み合わせることで、基礎となるデータのきめ細かい表現を得る。 従来の推論サービスアーキテクチャでは、モデル全体をスタンドアロンのサーバにデプロイする必要があります。
  論文  参考訳（メタデータ） (2022-10-17T07:36:18Z)
• BagPipe: Accelerating Deep Recommendation Model Training [9.911467752221863]
  Bagpipeは、キャッシュとプレフェッチを使用して、リモート埋め込みアクセスと計算を重複させるディープレコメンデーションモデルをトレーニングするシステムである。 私たちは、ルックアヘッドアルゴリズムを使用して最適なキャッシュ更新決定を生成する新しいコンポーネントであるOracle Cacherを設計します。
  論文  参考訳（メタデータ） (2022-02-24T23:54:12Z)
• Tailored Learning-Based Scheduling for Kubernetes-Oriented Edge-Cloud System [54.588242387136376]
  エッジクラウドシステムのための学習ベースのスケジューリングフレームワークkaisを紹介する。 まず,分散した要求ディスパッチに対応するために,協調型マルチエージェントアクタ-クリティックアルゴリズムを設計する。 次に,多種多様なシステムスケールと構造について,グラフニューラルネットワークを用いてシステム状態情報を埋め込む。 第3に、リクエストディスパッチとサービスオーケストレーションを調和させる2段階のスケジューリングメカニズムを採用します。
  論文  参考訳（メタデータ） (2021-01-17T03:45:25Z)
• A Generic Network Compression Framework for Sequential Recommender Systems [71.81962915192022]
  シークエンシャルレコメンデーションシステム(SRS)は,ユーザの動的関心を捉え,高品質なレコメンデーションを生成する上で重要な技術となっている。 CpRecと呼ばれる圧縮されたシーケンシャルレコメンデーションフレームワークを提案する。 大規模なアブレーション研究により、提案したCpRecは実世界のSRSデータセットにおいて最大4$sim$8倍の圧縮速度を達成できることを示した。
  論文  参考訳（メタデータ） (2020-04-21T08:40:55Z)

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。