論文の概要: PaGNet: A Panel-Aware GBDT--Neural Network for Multi-Target Corporate Tax Avoidance Proxy Forecasting
- arxiv url: http://arxiv.org/abs/2609.20177v1
- Date: Fri, 24 Jul 2026 07:00:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.626544
- Title: PaGNet: A Panel-Aware GBDT--Neural Network for Multi-Target Corporate Tax Avoidance Proxy Forecasting
- Title（参考訳）: PaGNet:マルチターゲット企業税回避プロキシ予測のためのパネル対応GBDTニューラルネットワーク
- Abstract要約: PaGNetは、2ブランチのハイブリッドで、パネル時間サマリーを使用してLightGBMブランチとPanel-MLPブランチを組み合わせる。
PaGNetは2011年から2024年にかけて、韓国の上場企業1,754社のKoTaPパネルで評価されている。
- 参考スコア（独自算出の注目度）: 0.5971563267033714
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Forecasting corporate tax avoidance proxies from firm--year panel data is challenging because predictive signals are distributed across short firm histories and related targets, while screening-oriented use requires transparent model behavior. We propose PaGNet (Panel-Aware GBDT--Neural Network), a two-branch hybrid that combines a LightGBM branch using panel-temporal summaries with a Panel-MLP branch using attention-pooled temporal aggregation and shared-trunk multi-task learning. A per-target validation-optimal blender produces both the final prediction and a compact branch-reliance diagnostic without trainable fusion parameters. On the KoTaP panel of 1{,}754 Korean listed firms from 2011--2024, PaGNet is evaluated under a leakage-free, shared-hyperparameter protocol across four feature regimes. In the direct-proxy-lag-excluded FS1 regime and the tax-history-augmented FS2 regime, accrual targets (TSTA, TSDA) route stably to the LightGBM branch, where PaGNet raises explained variance over the strongest of six baselines by roughly $0.08$--$0.11$ on the primary split. GETR often leans toward the neural branch, while CETR exposes a validation--test branch-selection mismatch rather than a stable branch assignment. A panel-flatten control shows that most accrual gains come from observed multi-year base-panel values, with PaGNet's panel-aware representation adding a smaller but directionally consistent refinement. Rolling-origin analysis confirms stable accrual routing, bounds ETR diagnostics to split-specific behavior, and identifies a far-horizon split where supervised models underperform naive persistence. PaGNet is therefore best viewed not as a universally superior tabular learner, but as a proxy-aware panel model that combines competitive forecasting with explicit per-target branch-reliance reporting.
- Abstract（参考訳）: 企業税回避のプロキシを企業年次データから予測することは、予測信号が短い企業履歴や関連するターゲットに分散されているのに対して、スクリーニング指向の使用には透明なモデル行動が必要であるため、困難である。
パネル時間的サマリーを用いたLightGBMブランチと、注目プール時間的アグリゲーションと共有トランクマルチタスク学習を用いたPanel-MLPブランチを組み合わせた2分岐ハイブリッドPaGNet(Panel-Aware GBDT-Neural Network)を提案する。
目標ごとの検証最適ブレンダーは、訓練可能な融合パラメータを使わずに最終予測と小型分岐信頼性診断の両方を生成する。
2011年から2024年にかけての韓国の上場企業1{,}754社のKoTaPパネルでは、PaGNetは4つの機能体制にわたるリークフリーで共有ハイパーパラメータープロトコルで評価されている。
直接プロキシラグを除いたFS1レギュレーションと税制履歴を増強したFS2レギュレーションでは、Accrual target (TSTA, TSDA) がLightGBMブランチに安定してルートし、PaGNetは6つのベースラインで最強の分散を約0.08$--0.11$で上げている。GETRはしばしば神経枝に傾き、CETRは安定な分岐代入ではなく、検証テストの分岐選択ミスマッチを公開する。
パネルフラット化制御は、観測されたベースパネル値からほとんどのアクセルゲインが得られ、PaGNetのパネル認識表現は小さいが方向的に一貫した改善を加えた。
ローリングオリジン分析は、安定したアクルーダルルーティングを確認し、EPR診断を分割特異的な振る舞いにバウンドし、教師付きモデルがナイーブ永続性に劣る極水平分割を特定する。
したがってPaGNetは、汎用的に優れた表型学習者ではなく、競合予測と明示的なターゲット毎の分岐信頼レポートを組み合わせたプロキシ対応パネルモデルと見なされている。
関連論文リスト
- Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。
EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。
本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
論文 参考訳（メタデータ） (2026-08-24T15:06:18Z) - MoP-JEPA: Hard-Assigned Predictor Mixtures for Stochastic JEPA World Models [14.76812870029721]
MoP-JEPAは、有限個の候補セットを1つのパスで生成する。
ホールドアウトのOGBenchトランジションでは、単一出力予測器によるグラフ検索が0.02$--0.09$のクエリで成功し、MoP-JEPAは0.85$に達した。
論文 参考訳（メタデータ） (2026-07-06T15:47:37Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - Probabilistic Salary Prediction with Graph Attention Networks and a Mixture Density Network [0.0]
両制約を同時に扱う統合フレームワークであるGAT-MDNを提案する。
3つの属性領域それぞれに対して、エッジが(i)階層的親子包含と(ii)事前学習された文変換器から導かれる重み付き類似性リンクをエンコードする領域固有グラフを構築する。
100万を超える実世界のオランダのジョブポストデータセットの実験では、GAT-MDNが負のログリフッド(NLL)と平均正方形エラー(MSE)の両方で非グラフ-MDNベースラインを著しく上回っていることが示されている。
論文 参考訳（メタデータ） (2026-06-10T05:12:29Z) - Federated Language Models Under Bandwidth Budgets: Distillation Rates and Conformal Coverage [12.805268849262243]
集中できない帯域制限ノードに散在するデータに基づいて言語モデルを訓練することは、臨床ネットワーク、企業知識基盤、科学コンソーシアムで発生する設定である。
ノード間でデータを分散し続けなければならない状況について検討し、明示的な帯域幅予算の下では、何の統計的保証が得られるのかを問う。
論文 参考訳（メタデータ） (2026-05-11T05:01:43Z) - A Deep Latent Factor Graph Clustering with Fairness-Utility Trade-off Perspective [0.7568373895297608]
グラフに合わせたエンドツーエンドの非負の3要素化であるemphDFNMFを紹介する。
1つのパラメータ$lambda$はフェアネス-ユーティリティバランスを調整しますが、非負性はパーツベースの要素と透明なソフトメンバシップを生成します。
合成および実ネットワーク全体で、DFNMFは、同等のモジュラリティでグループバランスを大幅に高める。
論文 参考訳（メタデータ） (2025-10-27T16:40:52Z) - STT-GS: Sample-Then-Transmit Edge Gaussian Splatting with Joint Client Selection and Power Control [77.56170394100022]
Edge Gaussian splatting (EGS)は、分散クライアントからデータを集約し、エッジサーバでグローバルGSモデルをトレーニングする。
本稿では、異なるクライアントのビューコントリビューションを識別する新しいGS指向の目的関数を定式化する。
その結果,低サンプリング比でGS指向の目的を正確に予測できることが判明した。
論文 参考訳（メタデータ） (2025-10-15T06:20:47Z) - Revitalizing Canonical Pre-Alignment for Irregular Multivariate Time Series Forecasting [17.046106977768215]
IMTS予測のためのCanonical Pre-Alignment(CPA)に基づくコンパクトアーキテクチャであるKAFNetを提案する。
KAFNetは7.2$times$パラメータ削減と8.4$times$トレーニング推論アクセラレーションによって最先端の予測性能を達成する。
論文 参考訳（メタデータ） (2025-08-04T01:07:24Z) - Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。
本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。
我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
論文 参考訳（メタデータ） (2025-03-12T15:46:12Z)
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。