論文の概要: Quantifying Event Impacts on Time Series via Multiscale Contrastive Learning

• arxiv url: http://arxiv.org/abs/2608.19447v1
• Date: Wed, 19 Aug 2026 21:02:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.397376
• Title: Quantifying Event Impacts on Time Series via Multiscale Contrastive Learning
• Title（参考訳）: マルチスケールコントラスト学習による時系列イベントへの影響の定量化
• Abstract要約: EventTimeは、ロングホライゾン市場コンテキスト、ショートホライゾンプレイベントダイナミクス、イベントメタデータを組み合わせたフレームワークである。 時代遅れの金融損失を推定する上で、最先端の時系列とイベント対応のベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 48.3664454383291
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shocks that spread through the web, such as cybersecurity breach disclosures, can abruptly disrupt financial time series and cause substantial abnormal losses. While these events are disclosed as discrete records through news reports, regulatory filings, or public databases, their consequences unfold through continuous market dynamics. This creates an event-conditioned impact prediction problem: given pre-event market history and limited event metadata, the goal is to estimate short-term post-disclosure abnormal loss rather than reconstruct the full post-event trajectory. However, most time-series forecasting models focus on endogenous regularities such as trend, seasonality, and autocorrelation, and thus struggle with rare and heterogeneous external events. The challenge is further amplified by sparse high-impact events and background market noise. We introduce EventTime, a multi-resolution framework that combines long-horizon market context, short-horizon pre-event dynamics, and event metadata. It incorporates an event fusion module that couples temporal representations with event attributes to identify relevant recent market patterns. To mitigate sparse supervision, EventTime further introduces a dynamic contrastive objective that constructs event- and time-series-aware positive and negative pairs during training. We also construct SECURE, a real-world dataset aligning cybersecurity incidents with stock-market time series and structured and LLM-derived semantic features. Experiments show that EventTime consistently outperforms state-of-the-art time-series and event-aware baselines in estimating post-event financial losses. Further analyses demonstrate more event-sensitive representations, greater robustness to incomplete metadata, and more interpretable estimates of short-term market impact following cybersecurity disclosures.
• Abstract（参考訳）: サイバーセキュリティ違反の暴露など、Web中に広がる衝撃は、突然、金融時系列を乱し、かなりの異常な損失を引き起こす可能性がある。 これらの出来事は、ニュースレポート、規制申請書、あるいは公開データベースを通じて離散的な記録として開示されるが、その結果は継続的な市場のダイナミクスによって展開される。 事前の市場履歴と限定的なイベントメタデータが与えられた場合、その目標は、完全な事後軌道を再構築するよりも、短期的な事後異常損失を見積もることである。 しかしながら、ほとんどの時系列予測モデルは、傾向、季節性、自己相関などの内在的規則性に焦点を当てており、稀で異質な外部イベントと闘っている。 この課題は、希少なハイインパクトイベントとバックグラウンド市場ノイズによってさらに増幅される。 EventTimeは、長い水平市場コンテキスト、短水平プレイベントダイナミクス、イベントメタデータを組み合わせたマルチレゾリューションフレームワークです。 イベント融合モジュールは、時間的表現とイベント属性を結合して、関連する最近の市場パターンを特定する。 スパース監視を緩和するため、EventTimeはさらに、トレーニング中にイベントと時系列を意識したポジティブなペアとネガティブなペアを構築する、ダイナミックなコントラスト目的を導入している。 また、サイバーセキュリティのインシデントと株式市場の時系列、構造化およびLLMに基づくセマンティック機能を組み合わせた実世界のデータセットSECUREを構築した。 実験によると、EventTimeは、現在最先端の時系列とイベント認識ベースラインを一貫して上回り、イベント後の損失を見積もっている。 さらなる分析では、よりイベントに敏感な表現、不完全なメタデータに対する堅牢性、およびサイバーセキュリティ開示後の短期的市場影響のより解釈可能な見積もりが示される。

関連論文リスト

• Generalizing to Unseen Disaster Events: A Causal View [17.9089265435157]
  本稿では,イベントやドメインに関するバイアスを低減し,将来のイベントへの一般化を促進する手法を提案する。 このアプローチは、最大+1.9%のF1で複数のベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-11-13T09:29:39Z)
• xTime: Extreme Event Prediction with Hierarchical Knowledge Distillation and Expert Fusion [65.63135031712153]
  時系列における極端なイベント予測のための新しいフレームワークであるxTimeを提案する。 xTimeは知識蒸留を利用して、低レベルなイベントでトレーニングされたモデルから情報を転送する。 我々は、異なる希少度で専門家モデルから出力を動的に選択し、融合する専門家(MoE)機構の混合を導入する。
  論文  参考訳（メタデータ） (2025-10-23T15:24:45Z)
• EventTSF: Event-Aware Non-Stationary Time Series Forecasting [73.54313384419792]
  EventTSFは、過去の時系列とテキストイベントを統合し、その後の予測を行う自動回帰生成フレームワークである。 8つの合成および実世界のデータセットの実験によると、EventTSFは、さまざまなイベント対応の非定常時系列予測シナリオで12のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-19T01:28:47Z)
• MENSA: A Multi-Event Network for Survival Analysis with Trajectory-based Likelihood Estimation [8.451195505457223]
  複数のイベントに対してフレキシブルな時間対イベント分布を学習する深層学習モデルであるMENSAを提案する。 4つのマルチイベントデータセットにわたって、MENSAは最先端のベースラインの多くに対して予測性能を改善している。
  論文  参考訳（メタデータ） (2024-09-10T14:02:34Z)
• Text2TimeSeries: Enhancing Financial Forecasting through Time Series Prediction Updates with Event-Driven Insights from Large Language Models [9.991327369572819]
  本稿では,関連事象に関するテキスト情報を組み込んだ協調モデリングフレームワークを提案する。 我々は、将来の変更に関する大規模言語モデルの直感を活用して、実数時系列の予測を更新する。
  論文  参考訳（メタデータ） (2024-07-04T07:21:38Z)
• XTSFormer: Cross-Temporal-Scale Transformer for Irregular-Time Event Prediction in Clinical Applications [23.946633955844423]
  非安全ケアに関連する副作用は、米国での死因のトップ10に入る。 イベントデータは、連続するイベント間の時間間隔の不規則性、サイクルの存在、周期性、複数スケールのイベントインタラクション、長いイベントシーケンスに関連する高い計算コストなど、いくつかのユニークな課題を提起する。 本稿では,時間的不規則なイベントデータに特化して設計されたクロステンポラリスケールトランスフォーマー(XTSFormer)を提案する。
  論文  参考訳（メタデータ） (2024-02-03T20:33:39Z)
• Understanding the Impact of Competing Events on Heterogeneous Treatment Effect Estimation from Time-to-Event Data [92.51773744318119]
  本研究では,競合イベントの存在下での時間-時間データからヘテロジニアス処理効果(HTE)を推定する問題について検討する。 提案手法は,HTEを推定するための結果モデリング手法であり,既存の時間-時間データの予測モデルを,将来的な結果のプラグイン推定手段としてどのように利用できるかを検討する。 HTEの推定に汎用的な機械学習予測モデルを使用する場合、これらの課題がいつどのように機能するかを理論的に分析し、実証的に説明する。
  論文  参考訳（メタデータ） (2023-02-23T14:28:55Z)
• Modeling Continuous Time Sequences with Intermittent Observations using Marked Temporal Point Processes [25.074394338483575]
  人間の活動を通じて生成された大量のデータは、連続した時間のイベントのシーケンスとして表現することができる。 これらの連続的なイベントシーケンスに対するディープラーニングモデルは、非自明なタスクである。 本研究では,イベントシーケンスが欠落している場合にMTPPを学習するための新しい教師なしモデルと推論手法を提案する。
  論文  参考訳（メタデータ） (2022-06-23T18:23:20Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)

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。