論文の概要: TAPES: Task-Aligned Joint Predictive Pretraining for Transaction Event Sequences

• arxiv url: http://arxiv.org/abs/2611.04747v1
• Date: Tue, 03 Nov 2026 12:02:14 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:24:27.293477
• Title: TAPES: Task-Aligned Joint Predictive Pretraining for Transaction Event Sequences
• Title（参考訳）: TAPES: トランザクションイベントシーケンスのためのタスク指向の統合予測事前トレーニング
• Abstract要約: 本稿では,トランザクションシーケンスのためのタスク整合型予測事前学習フレームワークであるTAPESを提案する。 TAPESは、許容可能なフィールド-演算子の組み合わせから候補対象集合の有限集合を構成する。 一致した予算の下で、短い共同事前訓練試験を通じて学習した表現の下流ユーティリティに応じてターゲットセットを選択する。
• 参考スコア（独自算出の注目度）: 11.469050499272628
• License:
• Abstract: Transaction event sequences support diverse prediction tasks in online commerce and digital financial services. The same transaction records can yield prediction targets with different semantics, including values, changes, and relations to past events. These targets impose different constraints on history representations, but their predictability alone does not establish the downstream utility of a target set. Moreover, target-wise prediction losses do not explicitly model conditional co-occurrence among targets. To address these challenges, we propose TAPES, a task-aligned joint predictive pretraining framework for transaction sequences. TAPES constructs a finite collection of candidate target sets from admissible field-operator combinations. It selects a target set according to the downstream utility of representations learned through short joint pretraining trials under matched budgets. It then reinitializes the encoder and pretrains it on the selected targets through a joint likelihood parameterized by a shared discrete latent variable, before downstream supervised adaptation. Experiments in a real-world transaction-risk setting and on multiple public financial benchmarks spanning diverse downstream tasks demonstrate that TAPES outperforms representative baselines. Ablation studies further validate the contributions of predictive target selection and joint modeling.
• Abstract（参考訳）: トランザクションイベントシーケンスは、オンラインコマースとデジタル金融サービスにおけるさまざまな予測タスクをサポートする。 同じトランザクションレコードは、値、変更、過去のイベントとの関係など、異なるセマンティクスで予測ターゲットを生成することができる。 これらのターゲットは、履歴表現に異なる制約を課すが、予測可能性だけでは、ターゲットセットの下流ユーティリティを確立しない。 さらに、目標予測損失は、目標間の条件付き共起を明示的にモデル化しない。 これらの課題に対処するために、トランザクションシーケンスのためのタスク整合型予測事前学習フレームワークであるTAPESを提案する。 TAPESは、許容可能なフィールド-演算子の組み合わせから候補対象集合の有限集合を構成する。 一致した予算の下で、短い共同事前訓練試験を通じて学習した表現の下流ユーティリティに応じてターゲットセットを選択する。 その後、エンコーダを再起動し、選択されたターゲット上で、下流の教師付き適応の前に、共有された離散潜在変数によってパラメータ化される結合可能性によって事前訓練する。 現実世界のトランザクションリスク設定と、さまざまな下流タスクにまたがる複数の公開金融ベンチマークの実験は、TAPESが代表的ベースラインを上回っていることを示している。 アブレーション研究は、予測対象の選択と共同モデリングの貢献をさらに検証する。

関連論文リスト

• MINT: A Universal Zero-Shot Predictor for Transaction Data [5.76828154035244]
  本稿では,プリトレーニングされたトランザクションシーケンスエンコーダを,軽量な埋め込み注入によりデコーダのみのLLMに接続するフレームワークであるMINTを提案する。 MINTは、分布内および分布外問合せの両方において、最先端の予測的問合せ性能を達成する。 MINTは分布内および分布外問合せの両方において,最先端の予測的問合せ性能を達成する。
  論文  参考訳（メタデータ） (2026-08-14T11:17:01Z)
• Distribution-informed Online Conformal Prediction [53.674678995825666]
  更新ルールに基礎となるデータパターンを組み込んだオンラインコンフォメーション予測アルゴリズムである Conformal Optimistic Prediction (COP) を提案する。 COPは予測可能なパターンが存在する場合により厳密な予測セットを生成し、見積もりが不正確な場合でも有効なカバレッジ保証を保持する。 我々は,COPが有効なカバレッジを実現し,他のベースラインよりも短い予測間隔を構築できることを証明した。
  論文  参考訳（メタデータ） (2025-12-08T17:51:49Z)
• Listwise Preference Diffusion Optimization for User Behavior Trajectories Prediction [41.53271688465831]
  ユーザ行動軌跡予測(UBTP)を,長期ユーザの嗜好を明示的にモデル化するタスク設定として定式化する。 項目列全体に対して構造化された嗜好を直接最適化する拡散に基づくトレーニングフレームワークであるリスワイズ・ディフュージョン・最適化(LPDO)を導入する。 多段階の予測品質を厳密に評価するために、正確な軌跡合意を計測するタスク特異的な逐次マッチング(SeqMatch)を提案し、確率的忠実度を評価するパープレキシティ(PPL)を採用する。
  論文  参考訳（メタデータ） (2025-11-01T12:16:24Z)
• Conformal Information Pursuit for Interactively Guiding Large Language Models [68.16703423481935]
  本稿では,クエリ数の最小化を目的としたシーケンシャルクエリ戦略について検討する。 そのような戦略の1つは情報探索(IP)であり、各反復で情報ゲインを最大化または同等に不確実性を最小化するクエリを選択する。 本稿では,コンフォーマル情報探索法(C-IP)を提案する。
  論文  参考訳（メタデータ） (2025-07-04T03:55:39Z)
• EquiTabPFN: A Target-Permutation Equivariant Prior Fitted Networks [55.214444066134114]
  我々は、同変エンコーダ、デコーダ、およびバイアテンション機構を介し、完全にターゲット同変のアーキテクチャに適応する置換不変性を設計する。 標準分類ベンチマークの実証的評価は、事前学習中に見られたクラス数より多いデータセットでは、我々のモデルは計算オーバーヘッドを低く抑えながら既存の手法と一致または超えていることを示している。
  論文  参考訳（メタデータ） (2025-02-10T17:11:20Z)
• Post-selection Inference for Conformal Prediction: Trading off Coverage for Precision [0.0]
  伝統的に、共形予測推論はデータに依存しない発見レベルの仕様を必要とする。 我々は,データ依存的誤発見レベルを考慮した同時共形推論を開発する。
  論文  参考訳（メタデータ） (2023-04-12T20:56:43Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
  そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。 提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。 視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
  論文  参考訳（メタデータ） (2020-07-15T21:58:39Z)

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。