論文の概要: Observational Policy Ranking for SMB Financial Guidance from Multi-Action Accounting Logs
- arxiv url: http://arxiv.org/abs/2608.10050v1
- Date: Mon, 10 Aug 2026 14:46:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.76698
- Title: Observational Policy Ranking for SMB Financial Guidance from Multi-Action Accounting Logs
- Title（参考訳）: マルチアクション会計ログによる中小企業金融ガイダンスの監視政策ランキング
- Abstract要約: Co-Adjusted Residual Policy Learning (CAR-PL)は、マルチホットログを直接操作し、観察支援によって選択を規則化するアクションワイドRラーナーである。
CAR-PLは最高グロス利益点推定(0.084)、Tラーナーは最高収益点推定(0.085)、文脈値モデルは最高Quick Ratio点推定(0.062)である。
- 参考スコア（独自算出の注目度）: 15.517515722934457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Small and medium-sized businesses need timely financial guidance, yet historical accounting logs record self-selected and often co-occurring business changes rather than randomized recommendations. We formulate this setting as observational policy ranking: from pre-decision financial information, a policy selects one of 34 ledger-derived business-change categories for a target financial KPI. Using 85,078 company-month observations from 7,505 firms, we introduce Covariate-Adjusted Residual Policy Learning (CAR-PL), an action-wise R-learner that operates directly on multi-hot logs and regularizes selection by observational support. We compare CAR-PL with an uplift T-Learner, a conservative contextual value model, a zero-shot LLM, and non-personalized references on company-disjoint held-out firms under a shared model-assisted scoring rule. CAR-PL has the highest Gross Profit point estimate (0.084), the T-Learner has the highest Revenue point estimate (0.085), and the contextual value model has the highest Quick Ratio point estimate (0.062). CAR-PL and the T-Learner are not statistically separated on either growth KPI in matched company-clustered comparisons, while CAR-PL selects 33-34 categories and produces less concentrated selections across the catalog. Outcome-model-only scoring retains the same KPI-level point-estimate leader or top pair, and category rankings remain similar when the all-zero treatment reference is replaced by the most common training co-action pattern. These findings support objective-specific ranking of SMB financial guidance from multi-action accounting logs.
- Abstract（参考訳）: 中小のビジネスには、タイムリーな財務ガイダンスが必要だが、過去の会計記録には、ランダム化されたレコメンデーションではなく、自己選択され、しばしば共起するビジネスの変化が記録されている。
我々は、この設定を、事前決定金融情報から、目標金融KPIに対して、34の台帳由来のビジネス変革カテゴリのうちの1つを選択する、観察的ポリシーランキングとして定式化する。
企業7,505社の月85,078社を対象に,マルチホットログを直接運用し,観察支援による選択の調整を行うアクションワイドRラーナーであるCovariate-Adjusted Residual Policy Learning (CAR-PL)を紹介した。
我々は、CAR-PLと高揚度Tラーナー、保守的文脈価値モデル、ゼロショットLCM、および非個人化参照を、共用モデル支援スコアリングルールの下で比較する。
CAR-PLは最高グロス利益点推定(0.084)、Tラーナーは最高収益点推定(0.085)、文脈値モデルは最高Quick Ratio点推定(0.062)である。
CAR-PLとT-Learnerは、一致した企業クラスタ比較において、どちらの成長KPIでも統計的に分離されないが、CAR-PLは33-34のカテゴリを選択し、カタログ全体の集中度を低下させる。
アウトカムモデルのみのスコアリングは、KPIレベルのポイント推定リーダーまたはトップペアと同じであり、オールゼロ治療基準が最も一般的なトレーニングコアクションパターンに置き換えられた場合でも、カテゴリランキングは類似している。
これらの結果は、マルチアクション会計ログからSMB財務ガイダンスの客観的なランク付けを支援する。
関連論文リスト
- Meta-Benchmarks for Financial-Services LLM Evaluation [0.0]
我々は、452の公開ベンチマークを41のO*NET Generalized Work Activityにまとめるメタベンチマークフレームワークを提案する。
乗法重み付けスキームは、まだ最高のモデルを分離し、広く報告され、アクティブな使用が続けられているベンチマークに報酬を与える。
2026年6月現在、25の組織で288のモデルをカバーしているポイントインタイムのパブリックスナップショットで、このフレームワークを実演しています。
論文 参考訳（メタデータ） (2026-07-02T05:52:32Z) - Rethinking Sales Lead Scoring with LLM-based Hierarchical Preference Ranking [10.224056739324702]
セールスリードのコンバージョンは、長い意思決定サイクルと多段階のファンネルのために、eコマースのレコメンデーションとは根本的に異なる。
従来のリードスコアリング手法では、スパース監視、非構造化CRMログのセマンティックギャップ、相対的なリード優先度の取得が不可能といった深刻な課題に直面しています。
我々は、構造化CRM機能と非構造化顧客インタラクションの連成モデリングを支援するLLMベースのセールスリードスコアリングのための差別的フレームワークについて紹介する。
論文 参考訳（メタデータ） (2026-06-03T03:05:57Z) - BASIS: Batchwise Advantage Estimation from Single-Rollout Information Sharing for LLM Reasoning [9.698479933114552]
既存のアルゴリズムは、値推定とポリシー学習における計算効率とサンプル効率のトレードオフに直面している。
このトレードオフに対処するために,ポストフリーな批判アルゴリズムを導入する。
実験では、REINFORCE++と比較して、値関数推定のMSEを69%削減している。
論文 参考訳（メタデータ） (2026-05-26T17:06:41Z) - Your Language Model is Its Own Critic: Reinforcement Learning with Value Estimation from Actor's Internal States [14.658333957936769]
内部状態価値推定による政策最適化を導入する。
ポリシーフォワードパス中に既に計算されているポリシーモデルの内部信号を用いて、無視可能なコストでベースラインを得る。
軽量プローブは、プロンプトおよび生成された軌道の隠れ状態から期待される検証可能な報酬を予測する。
論文 参考訳（メタデータ） (2026-05-08T10:49:36Z) - A Step Back: Prefix Importance Ratio Stabilizes Policy Optimization [58.116300485427764]
強化学習のポストトレーニングは、大きな言語モデルにおける推論の振る舞いを引き出すことができる。
トークンレベルの補正は、オフポリシーネスの度合いが大きい場合、不安定なトレーニングダイナミクスにつながることが多い。
我々は,最小固定率 (MinPRO) を簡易かつ効果的に提案する。
論文 参考訳（メタデータ） (2026-01-30T08:47:19Z) - Supervised Fine-Tuning or Contrastive Learning? Towards Better Multimodal LLM Reranking [56.46309219272326]
大型言語モデル(LLM)では、教師付き微調整(SFT)による分類は、関連する(非関連)ペアに対して'yes' (resp. ''no')トークンを予測する。
この分散は中心的な疑問を提起する:どの目的がLLMベースのリランクに本質的に適しているか、どのメカニズムが違いの根底にあるのか?
我々はCLとSFTの総合的な比較と分析を行い、ユニバーサルマルチモーダル検索(UMR)を実験場とした。
論文 参考訳（メタデータ） (2025-10-16T16:02:27Z) - Pre-Trained Policy Discriminators are General Reward Models [81.3974586561645]
政策差別学習(POLAR)という,スケーラブルな事前学習手法を提案する。
POLARは報酬モデル(RM)を訓練し、同一のポリシーを識別し、異なるポリシーを識別する。
実証実験の結果、POLARは従来の非事前学習法よりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-07-07T16:56:31Z) - Investigating Non-Transitivity in LLM-as-a-Judge [24.358802214160697]
本稿では,AlpacaEvalフレームワークにおける非透過性の存在について検討し,モデルランキングに対するその影響を分析する。
ラウンドロビントーナメントの計算コストに対処するため,スイス・ワイズ・イテレーティブ・マッチメイキング(Swim)トーナメントを提案する。
論文 参考訳（メタデータ） (2025-02-19T19:59:16Z) - Toward Automatic Relevance Judgment using Vision--Language Models for Image--Text Retrieval Evaluation [56.49084589053732]
VLM(Vision-Language Models)は、様々なアプリケーションで成功を収めてきたが、関連性判断を支援する可能性はまだ不明である。
本稿では,CLIP,LLaVA,GPT-4Vを含むVLMの関連性評価機能について,ゼロショット方式でマルチメディアコンテンツ作成に適した大規模テキスト分割ホック検索タスクで評価する。
論文 参考訳（メタデータ） (2024-08-02T16:15:25Z) - Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。
我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。
提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
論文 参考訳（メタデータ） (2024-05-01T11:10:24Z) - Learning Fair Ranking Policies via Differentiable Optimization of
Ordered Weighted Averages [55.04219793298687]
本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。
特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
論文 参考訳（メタデータ） (2024-02-07T20:53:53Z)
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。