論文の概要: FINESSE: An Agent-Based Simulator and Benchmark Dataset for Multimodal Financial Event Sequences
- arxiv url: http://arxiv.org/abs/2609.11993v1
- Date: Wed, 09 Sep 2026 20:24:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.4828
- Title: FINESSE: An Agent-Based Simulator and Benchmark Dataset for Multimodal Financial Event Sequences
- Title（参考訳）: FINESSE:マルチモーダルファイナンシャルイベントシーケンスのためのエージェントベースシミュレータとベンチマークデータセット
- Abstract要約: FINESSEは、複数の相互依存イベントストリームからなる合成構造化データセットを生成するエージェントベースのシミュレーションフレームワークである。
FINESSE-Benchはシミュレータによって生成されたベンチマークデータセットで、4つの代表的なタスクをサポートする。
時系列予測,イベントシーケンスモデリング,時間グラフ,時間点プロセスなどの手法を用いて,ベースライン結果について報告する。
- 参考スコア（独自算出の注目度）: 5.196101726931601
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning research in financial services is limited by the scarcity of representative open-source datasets. Existing resources are often narrowly focused on a single modality or task and fail to reflect the structured, multimodal, and dynamic nature inherent to many problems in financial services. In this paper, we introduce FINESSE, a Financial Event Sequence Simulation Environment, an agent-based simulation framework for generating synthetic, structured datasets composed of multiple interdependent event streams. Each stream corresponds to a distinct financial behavior such as transactions, payments, account status changes, and policy interventions, each with unique action spaces, schemas and variable types. These streams are coupled through agents' latent evolving states, enabling the simulation of temporally rich interactions. We also introduce FINESSE-Bench, a benchmark dataset generated by the simulator, supporting four representative tasks: balance forecasting, transaction fraud detection, missed payment prediction, and next event prediction. We report baseline results using methods from time series forecasting, event sequence modeling, temporal graphs, and temporal point processes. We release the FINESSE framework, including the simulator and dataset to accelerate research on structured, multimodal event sequence modeling challenges in financial services.
- Abstract（参考訳）: 金融サービスにおける機械学習の研究は、代表的なオープンソースデータセットの不足によって制限されている。
既存のリソースは、単一のモダリティやタスクに狭く焦点を合わせており、金融サービスにおける多くの問題に固有の構造的、マルチモーダル、ダイナミックな性質を反映できないことが多い。
本稿では,複数のイベントストリームからなる合成構造化データセットを生成するエージェントベースのシミュレーションフレームワークであるFINESSEを紹介する。
各ストリームは、トランザクション、支払い、アカウントの状態変更、ポリシーの介入など、独自のアクションスペース、スキーマ、変数タイプを持つ、明確な財務行動に対応する。
これらのストリームはエージェントの潜在進化状態を介して結合され、時間的にリッチな相互作用のシミュレーションを可能にする。
また、シミュレータによって生成されたベンチマークデータセットであるFINESSE-Benchを導入し、バランス予測、トランザクション不正検出、支払いの遅れ予測、次のイベント予測の4つの代表的なタスクをサポートする。
時系列予測,イベントシーケンスモデリング,時間グラフ,時間点プロセスなどの手法を用いて,ベースライン結果について報告する。
我々は、金融サービスにおける構造化されたマルチモーダルイベントシーケンスモデリング課題の研究を加速するシミュレータとデータセットを含むFINESSEフレームワークをリリースする。
関連論文リスト
- A Foundation Model for Multimodal Event Sequences in Financial Applications [34.57471442552313]
本稿では,ユーザイベントのマルチモーダルシーケンスに基づく基礎変換モデルの事前学習に基づくアプローチを提案する。
提案システムは,開発オーバーヘッドを低減しつつ,従来のタスク固有モデルより優れている。
このアプローチは、東ヨーロッパの大手銀行の1つで本番環境に展開され、結果としてビジネスメトリクスが測定可能な改善をもたらした。
論文 参考訳（メタデータ） (2026-07-10T20:19:17Z) - ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
$textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。
Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
論文 参考訳（メタデータ） (2026-05-11T16:20:51Z) - PRAGMA: Revolut Foundation Model [3.159538292278343]
PRAGMAは、マルチソースバンキングイベントシーケンスの基礎モデルのファミリーである。
クレジットスコアリング、不正検出、ライフタイムバリュー予測など、幅広いダウンストリームタスクをサポートする。
論文 参考訳（メタデータ） (2026-04-09T18:00:00Z) - Embedding-Aware Feature Discovery: Bridging Latent Representations and Interpretable Features in Event Sequences [5.03287845497428]
産業金融システムは、トランザクション、ユーザアクション、システムログなどの一時的なイベントシーケンスを運用する。
学習した埋め込みと機能ベースのパイプラインのギャップを埋める統合フレームワークであるEmbeding-Aware Feature Discovery (EAFD)を紹介します。
EAFDは2つの相補的基準を用いて、生のイベントシーケンスから直接特徴を発見し、評価し、洗練する。
論文 参考訳（メタデータ） (2026-03-16T14:29:26Z) - UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。
コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。
8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-12-08T05:36:14Z) - Data-Driven Stochastic Modeling Using Autoregressive Sequence Models: Translating Event Tables to Queueing Dynamics [8.0556095663079]
本稿では、イベントストリームデータに基づいてトレーニングされた自己回帰シーケンスモデルに基づく、ネットワークモデリングとシミュレーションのキュー作成のためのデータ駆動フレームワークを提案する。
トランスフォーマースタイルのアーキテクチャはこれらの分布を効果的にパラメータ化でき、高忠実度シミュレータの自動構築を可能にする。
論文 参考訳（メタデータ） (2025-09-06T21:34:11Z) - 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) - MTBench: A Multimodal Time Series Benchmark for Temporal Reasoning and Question Answering [21.064096256892686]
マルチモーダル時系列データセットは、クロスモーダル推論と複雑な質問応答の評価において不足している。
時系列およびテキスト理解における大規模言語モデル(LLM)を評価するベンチマークであるMTBench(Multimodal Time Series Benchmark)を紹介する。
MTbench 上での最先端 LLM の評価を行い,ニュース物語と時間パターンの複雑な関係をモデル化する上での有効性を分析した。
論文 参考訳（メタデータ） (2025-03-21T05:04:53Z) - Continuous-time convolutions model of event sequences [46.3471121117337]
イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。
我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。
COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
論文 参考訳（メタデータ） (2023-02-13T10:34:51Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2020-02-21T23:10:50Z) - Gaussian process imputation of multiple financial series [71.08576457371433]
金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。
金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
論文 参考訳（メタデータ） (2020-02-11T19:18:18Z)
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。