Navigating Perplexity: A linear relationship with the data set size in t-SNE embeddings
TU Delft（代尔夫特理工大学）；Computer Graphics and Visualization（计算机图形与可视化）
本文揭示t-SNE嵌入中困惑度与数据集大小的线性关系，通过调整困惑度可保持嵌入结构一致性，实验验证该发现并指导用户选择困惑度，还概述了基于此关系的高维数据可视化应用。
2024-12-04 cs.AI cs.LG q-bio.QM
Quantum Topological Graph Neural Networks for Detecting Complex Fraud Patterns
Department of Electrical Engineering（电气工程系）；Sharif University of Technology（谢里夫技术大学）；Department of Electrical and Electronic Engineering（电气与电子工程系）；Shahed University（沙赫德大学）
QTGNN结合量子嵌入、拓扑分析和变分图卷积，提供一种理论严谨且实用的金融欺诈检测方法。
2025-12-03 cs.AI cs.LG
Friendship is All we Need: A Multi-graph Embedding Approach for Modeling Customer Behavior
PicPay Behavioral Science Team（PicPay行为科学团队）
了解客户行为对于行业中的许多用例来说都是至关重要的，特别是在金融科技和电子商务等快速增长的领域。结构化数据通常是昂贵的，耗时的，不足以分析和研究复杂的客户行为。在本文中，我们提出了一种多图嵌入方法，用于创建客户的非线性表示，以便更好地了解他们的特征，而无需任何关于他们的财务状况或利益的先验信息。通过应用当前的方法，我们能够预测用户的未来行为，只有通过他们的友谊网络的信息具有相当高的准确性。潜在的应用包括推荐系统和信用风险预测。
2020-10-06 cs.AI cs.LG
Dynamic Customer Embeddings for Financial Service Applications
Capital One（第一资本金融公司）
随着金融服务（FS）公司经历了技术驱动的急剧变化，新数据流的可用性为更全面地了解客户提供了机会。我们提出了动态客户嵌入（DCE），这是一个利用客户的数字活动和广泛的金融背景来学习金融服务行业客户密集表示的框架。我们的方法检查客户在移动或网络数字会话中的操作和浏览量，会话本身的顺序，以及登录时整个组织中常见财务特征的快照。我们使用真实世界的数据在三个预测问题中测试我们的客户嵌入：1）客户在下一个数字会话中的意图，2）客户在会话后呼叫呼叫中心的概率，以及3）数字会话是欺诈性的概率。DCE在所有三个下游问题中表现出性能提升。
2021-06-22 cs.LG stat.ML
Price graphs: Utilizing the structural information of financial time series for stock prediction
Beihang University（北京航空航天大学）
大量的研究工作致力于在股票预测中利用深度神经网络。虽然长期依赖性和混沌属性仍然是两个主要问题，降低了最先进的深度学习模型在预测未来价格趋势方面的性能。在这项研究中，我们提出了一个新的框架来解决这两个问题。具体而言，在将时间序列转换为复杂网络方面，我们将市场价格序列转换为图形。然后，结构信息，指的是时间点之间的关联和节点的权重，从映射图中提取，以解决有关长程依赖和混沌性质的问题。我们采用图嵌入来表示时间点之间的关联作为预测模型的输入。节点权重被用作先验知识，以增强时间注意力的学习。我们提出的框架的有效性进行了验证，使用真实世界的股票数据，我们的方法获得了最好的性能在几个国家的最先进的基准。此外，在进行的交易模拟中，我们的框架进一步获得了最高的累积利润。我们的研究结果补充了复杂网络方法在金融领域的现有应用，并为金融市场决策支持方面的投资应用提供了深刻的影响。
2021-11-01 cs.CY cs.LG q-fin.ST
Investigating Similarities Across Decentralized Financial (DeFi) Services
McGill University（麦吉尔大学）；Complexity Science Hub Vienna（维也纳复杂科学中心）；AIT Austrian Institute of Technology（奥地利技术研究所）
本研究采用图表示学习算法和凝聚模型，基于以太坊交易数据的智能合约属性及调用图结构对DeFi构建块进行聚类，实现了对DeFi金融产品功能的有效分类与相似服务自动化检测。
2024-03-23 cs.LG q-fin.GN q-fin.ST
Stock Embeddings: Learning Distributed Representations for Financial Assets
University College Dublin（都柏林大学）
识别金融资产的价格变动之间的有意义的关系是各种金融应用中具有挑战性但重要的问题。然而，随着最近的研究，特别是那些使用机器学习和深度学习技术的研究，主要集中在价格预测上，研究资产相关性建模的文献有所滞后。为了解决这个问题，受自然语言处理领域最近成功的启发，我们提出了一种用于训练股票嵌入的神经模型，该模型利用历史收益数据的动态性，以了解金融资产之间存在的细微差别关系。我们详细描述了我们的方法，并讨论了一些方法，它可以用于金融领域。此外，我们提出了评估结果，以证明这种方法的实用性，相比几个重要的基准，在两个现实世界的金融分析任务。
2022-02-14 cs.LG q-fin.CP q-fin.ST
Attention-Informed Surrogates for Navigating Power-Performance Trade-offs in HPC
Texas State University（德克萨斯州立大学）；Oak Ridge National Laboratory（奥本海默国家实验室）
本文提出了一种基于注意力机制的替代方案辅助多目标贝叶斯优化框架，用于优化HPC调度中的性能与功耗权衡。
2026-01-21 cs.LG
PepCompass: Navigating peptide embedding spaces using Riemannian Geometry
University of Pennsylvania（宾夕法尼亚大学）；Institute of AI for Health, Hemholtz Center Munich（健康人工智能研究所，慕尼黑亥姆霍兹中心）
PepCompass通过引入黎曼几何框架，利用测地线搜索和局部枚举贝叶斯优化，高效发现抗菌肽种子并优化高活性肽。
2026-02-25 cs.LG
IITK at the FinSim Task: Hypernym Detection in Financial Domain via Context-Free and Contextualized Word Embeddings
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
在本文中，我们提出了我们的方法FinSim 2020共享任务“学习金融领域的语义表示”。该任务的目标是将金融术语分类到外部本体中最相关的上位（或顶级）概念中。在我们的分析中，我们利用上下文相关和上下文无关的词嵌入。我们的系统部署了在语料库（英文版的财务招股说明书）上从头开始训练的Word2vec嵌入以及预训练的BERT嵌入。我们根据领域规则将测试数据集划分为两个子集。对于一个子集，我们使用无监督的距离测量来分类术语。对于第二个子集，我们使用简单的监督分类器，如朴素贝叶斯，在嵌入的顶部，以达到最终的预测。最后，我们将两者的结果结合起来。我们的系统根据这两个指标排名第一，即，平均等级和准确度。
2020-07-22 cs.CL cs.LG q-fin.CP
Contrastive Learning of Asset Embeddings from Financial Time Series
School of Computer Science, University College Dublin（都柏林大学学院计算机科学学院）
本文提出一种基于假设检验统计采样的对比学习框架，利用资产在子窗口的收益相似性生成正负样本，从金融时间序列中学习资产嵌入，在行业分类与投资组合优化任务上显著优于基线。
2024-07-26 cs.LG q-fin.ST
Realised Volatility Forecasting: Machine Learning via Financial Word Embedding
Alliance Manchester Business School at the University of Manchester（曼彻斯特大学阿利安斯商业学校）；Department of Engineering Science, University of Oxford（牛津大学工程科学系）；Alliance Manchester Business School, University of Manchester（曼彻斯特大学阿利安斯商业学校）
本文研究新闻如何提升现实波动率预测，通过现代且操作简单的NLP框架，发现新闻内容在高波动日具有更强预测作用，结合领先指标可提升统计性能和经济收益。
2026-08-31 cs.CL cs.LG q-fin.CP
Stock Movement Prediction with Financial News using Contextualized Embedding from BERT
Ecole Polytechnique（巴黎综合理工学院）；Exoduspoint Capital Management France（法国Exoduspoint资本管理公司）
新闻事件可以极大地影响股票市场。在本文中，我们感兴趣的是预测股票价格的短期运动后，金融新闻事件使用的新闻标题。为了实现这一目标，我们引入了一种新的文本挖掘方法，称为微调上下文嵌入递归神经网络（FT-CE-RNN）。与以前使用静态向量表示的新闻（静态嵌入）的方法相比，我们的模型使用从双向编码器表示从Transformers（BERT）生成的标题（上下文化嵌入）的上下文化向量表示。我们的模型在这个股票走势预测任务上获得了最先进的结果。与其他基准模型相比，它在准确性和交易模拟方面都有显着改善。通过基于彭博新闻社数百万条头条新闻的各种交易模拟，我们展示了该模型在真实场景中的能力。
2021-07-19 cs.CL cs.LG q-fin.PM
Generative AI Enhanced Financial Risk Management Information Retrieval
TD Bank（道明银行）；Model Development Innovation, Risk Management（风险管理模型开发创新部）
本文提出RiskData数据集和RiskEmbed嵌入模型，通过微调sentence BERT提升金融风险管理场景下的检索准确性，实验表明其显著优于通用及金融嵌入模型，并已开源以支持更精准高效的风险管理AI方案。
2025-04-10 cs.LG q-fin.RM
Topic Modelling on Consumer Financial Protection Bureau Data: An Approach Using BERT Based Embeddings
UpGrad Education（UpGrad教育）；Salesforce India（赛富时印度公司）；Brane Enterprises（Brane企业公司）；Global Logic
客户的评论和意见对于企业了解用户对产品和服务的看法非常重要。然而，需要分析这些数据以评估与主题/方面相关联的情绪，从而提供有效的客户帮助。LDA和LSA无法捕捉语义关系，并且不特定于任何领域。在这项研究中，我们评估BERTopic，一种新的方法，使用句子嵌入消费者金融保护局（CFPB）的数据生成主题。我们的工作表明，与LDA和LSA相比，BERTopic非常灵活，但提供了有意义且多样化的主题。此外，特定领域的预训练嵌入（FinBERT）产生更好的主题。我们评估的主题一致性得分（cv）和UMass。
2022-05-15 cs.AI cs.CL cs.IR
Comparative Evaluation of Embedding Representations for Financial News Sentiment Analysis
本文比较了金融新闻情感分类中基于嵌入的技术，发现预训练嵌入在数据不足时效果下降，建议采用少样本学习或数据增强等方法。
2026-04-09 cs.AI cs.CE cs.CY
Hierarchical Classification of Financial Transactions Through Context-Fusion of Transformer-based Embeddings and Taxonomy-aware Attention Layer
BTG Pactual；Pontifical Catholic University of Rio de Janeiro (PUC-Rio)（里约热内卢天主教大学）
本研究提出Two-headed DragoNet分层多标签分类模型，融合Transformer上下文嵌入并通过分类体系感知注意力层修正层级违规预测，在金融交易宏观分类上F1值优于传统方法。
2023-12-12 cs.LG
Temporal Contrastive Transformer for Financial Crime Detection: Self-Supervised Sequence Embeddings via Predictive Contrastive Coding
NICE Actimize
本文提出了一种名为时间对比变压器（TCT）的表示学习框架，旨在捕捉金融交易序列中的时间动态。通过自监督对比目标训练模型，生成编码时间行为模式的嵌入，以支持下游的欺诈检测任务。实验结果显示，嵌入本身能实现有意义的预测性能（AUC 0.8644），但结合领域工程特征时，性能提升不显著（AUC 0.9205 vs. 0.9245），表明学习到的表示与现有特征抽象有较大重叠。这些发现表明TCT是一种有前景的表示学习方法，能够捕捉相关的行为信号，同时凸显了在强领域特征上实现加性价值的挑战。
2026-03-31 cs.CR cs.LG
Bridging the Gap Between Natural Language and Market Dynamics via High-Dimensional Representation Learning
本文通过用密集FinBERT嵌入替代离散情感评分，在Transformer架构中探索高维表示学习，以提升金融新闻对短期股价预测的准确性。
2026-05-28 cs.LG
Enhancing Financial Data Visualization for Investment Decision-Making
Trent University（特伦特大学）
本文研究利用LSTM网络结合NYSE多特征数据和25天时间步输入结构，通过网格搜索、早停和回调机制进行超参数调优，将股票价格预测准确率提升53%，为实时股票预测提供了有效框架。
2023-12-09 cs.LG q-fin.TR
FinTextSim: Enhancing Financial Text Analysis with BERTopic
Hochschule Heilbronn（海尔布隆应用科学大学）；Universidad de la Rioja（拉里奥哈大学）；Beta Klinik GmbH（贝塔诊所有限公司）
本研究提出FinTextSim，一种针对金融领域优化的句子转换器，与BERTopic结合显著提升10-K文件主题聚类清晰度，增强金融文本分析质量。
2025-04-22 cs.CL cs.LG econ.GN
Adapting to the Unknown: Robust Meta-Learning for Zero-Shot Financial Time Series Forecasting
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对零样本金融时间序列预测现有元学习方法表现不佳的问题，提出基于GMM软聚类的双类型元任务构建方法结合难任务挖掘，在高波动及新兴市场数据上实现更优的零样本泛化性能。
2025-08-01 cs.LG
Where A Small Language Model Helps in Invoice Categorisation, Understood Through Embedding Geometry
University of Bristol（布里斯托大学）；System Holdings Limited（系统控股有限公司）
研究通过分析SBERT和DeBERTa的嵌入几何，发现内部微调的SBERT在发票分类中表现优于零-shot LLM，且特定客户发票数据可提升其泛化性能，同时揭示结构化输入对SLM无帮助的反直觉结论。
2026-08-19 cs.LG stat.ML
NewsNet-SDF: Stochastic Discount Factor Estimation with Pretrained Language Model News Embeddings via Adversarial Networks
Fudan University（复旦大学）；New York University Shanghai（纽约大学上海）
提出 NewsNet-SDF 多模态对抗框架，融合新闻语言模型嵌入、宏观时序与公司特征估计SDF，显著提升资产定价表现。
2025-05-11 cs.LG q-fin.PM
From Clicks to Intent: Cross-Platform Session Embeddings with LLM-Distilled Taxonomy for Financial Services Recommendations
Capital One
针对金融服务中网页匿名浏览与移动端登录行为差异导致的意图信号利用不足问题，提出自监督Transformer编码会话嵌入与LLM提炼分类法生成可解释标签的双用途框架，在移动端首页排序和用户转化预测任务上显著提升性能。
2026-10-15 cs.AI cs.CE cs.CL
Anti-Money Laundering in Bitcoin: Experimenting with Graph Convolutional Networks for Financial Forensics
MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究院）；IBM Research AI（IBM人工智能研究院）；Elliptic（Elliptic公司）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
反洗钱（AML）法规在保护金融体系方面发挥着关键作用，但对机构来说成本很高，并导致社会经济和国际边缘人群的金融排斥。加密货币的出现引入了一个有趣的悖论：匿名性允许犯罪分子隐藏在众目睽睽之下，但开放数据为调查人员提供了更多的权力，并使法医分析成为众包。同时，学习算法的进步为AML工具包带来了巨大的希望。在本研讨会教程中，我们鼓励有机会将安全的原因与金融包容性的原因协调起来。我们贡献了椭圆数据集，这是一个时间序列图，包含超过20万个比特币交易（节点），23.4万个定向支付流（边）和166个节点特征，包括基于非公开数据的特征;据我们所知，这是任何加密货币中公开可用的最大的标记交易数据集。我们分享了一个二元分类任务的结果，该任务使用逻辑回归（LR）、随机森林（RF）、多层感知器（MLP）和图卷积网络（GCN）的变体来预测非法交易，GCN作为一种捕获关系信息的新方法特别令人感兴趣。结果表明，随机森林（RF）的优越性，但也邀请算法的工作，结合RF和图形方法各自的权力。最后，我们考虑可视化分析和可解释性，这是困难的，考虑到现实世界的交易图的大小和动态性，我们提供了一个简单的原型，能够导航的图形和观察模型性能的非法活动随着时间的推移。通过本教程和数据集，我们希望a）邀请反馈以支持我们正在进行的调查，b）激励其他人致力于这一社会重要挑战。
2019-07-31 cs.CY cs.LG cs.SI
Financial Bond Similarity Search Using Representation Learning
TD Bank（TD银行）
本文提出利用表示学习方法，通过捕捉债券的语义相似性来提升固定收益分析中的债券相似性搜索能力。
2026-02-02 cs.LG q-fin.CP q-fin.PM
FETILDA: An Effective Framework For Fin-tuned Embeddings For Long Financial Text Documents
Rensselaer Polytechnic Institute（伦斯勒理工学院）；School of Science（理学院）；Lally School of Management（拉里管理学院）
针对金融长文本表征难题，提出FETILDA框架，通过分块处理、预训练LM聚合与自注意力提取特征，在两个金融披露数据集上优于基线，提升了文本回归预测效果。
2022-06-14 cs.AI cs.CL cs.LG
When Dimensionality Hurts: The Role of LLM Embedding Compression for Noisy Regression Tasks
University of Oxford（牛津大学）
本文研究LLM嵌入压缩在不同信噪比回归任务中的作用，发现自编码器压缩嵌入可缓解过拟合并提升金融收益预测等噪声任务性能，但在高因果依赖任务中会降低性能，表明情感等可解释压缩表示的成功可能源于正则化效应。
2025-02-04 cs.CE cs.CL cs.LG
Towards a Foundation Purchasing Model: Pretrained Generative Autoregression on Transaction Sequences
Featurespace
本文提出一种用于金融交易序列的生成式预训练方法，获取上下文化嵌入，并在包含51亿笔交易的大规模数据上预训练模型，显著提升了高精度阈值下的欺诈检测率与域外迁移能力。
2024-01-04 cs.LG
Network Contagion in Financial Labor Markets: Predicting Turnover in Hong Kong
Khalifa University（卡利法大学）；ADIA Lab（ADIA实验室）；Abu Dhabi Investment Authority（阿布扎克投资机构）
本研究利用香港SFC公共登记册构建时序网络，提出基于图的特征传播框架，发现同行离职存在传染效应，将网络信号嵌入机器学习模型使人员流失预测比基线提升30%。
2025-09-07 cs.LG cs.SI stat.AP
FinBERT-BiLSTM: A Deep Learning Model for Predicting Volatile Cryptocurrency Market Prices Using Market Sentiment Dynamics
FinBERT-BiLSTM模型结合双向LSTM与FinBERT，利用市场情绪动态提升加密货币价格预测精度，为投资者提供更可靠的决策支持。
2024-11-02 cs.LG q-fin.TR
Representation Learning on Large Non-Bipartite Transaction Networks using GraphSAGE
NatWest AI Research（NatWest人工智能研究）；NatWest Group（NatWest集团）
本文展示了GraphSAGE在银行非二分异构交易网络中的实际应用，通过生成节点嵌入揭示可解释聚类，并提升洗钱骡子检测模型对高风险账户的优先排序能力。
2025-09-12 cs.AI cs.LG cs.SI
Say, Echo, Do: Strategic Narratives and Revealed Positioning in Financial Markets
研究金融市场中机构声明、媒体回声与交易定位的关系，提出线性二次模型和测量方法，证明负Say-Do协方差时言辞应被淡化，并在模拟市场中验证了回声情绪的负预测性和工具的有效性。
2026-10-01 cs.LG q-fin.TR
Contrastive Similarity Learning for Market Forecasting: The ContraSim Framework
University of Guelph（圭尔夫大学）；University of Toronto（多伦多大学）；Vector Institute for Artificial Intelligence（矢量人工智能研究院）；Dalhousie University（达尔豪斯大学）
ContraSim 框架通过加权头条增强与自监督对比学习构建语义嵌入空间，提升金融预测准确率7%，并聚类同向市场日，辅助分析师参考历史相似事件预测趋势。
2025-02-22 cs.LG q-fin.ST
Navigating Ideation Space: Decomposed Conceptual Representations for Positioning Scientific Ideas
Virginia Tech（弗吉尼亚理工大学）；University of California, Davis（加州大学戴维斯分校）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
本文提出构想空间，通过分解科学知识的三个维度，实现科学思想的定位与评估，提升文献检索和创新性判断的效率与准确性。
2026-10-27 cs.AI cs.CL cs.IR
Dynamic financial processes identification using sparse regressive reservoir computers
Center for Innovation in Scientific Computing, Universidad Nacional Aut\'onoma de Honduras, Honduras；Department of Chemical Engineering, Norwegian University of Science；Department of Statistics；Research, National Commission of Banks
本文提出利用稀疏回归储层计算机，结合非线性时间延迟嵌入与结构化矩阵近似，实现对动态金融过程的识别与预测模拟。
2025-10-26 cs.LG cs.SY eess.SY
Locally Differentially Private Embedding Models in Distributed Fraud Prevention Systems
Featurespace；University of Cambridge（剑桥大学）；University of Nottingham（诺丁汉大学）
本文提出了一种基于本地差分隐私和变长交易序列潜在嵌入的协作深度学习框架，用于分布式欺诈预防系统，在保障数据隐私的同时实现了对外部模型的安全数据共享，并在真实数据集上验证了其对推理时攻击的鲁棒性及效用-隐私权衡。
2024-01-03 cs.CR cs.LG
A FEDformer-Based Hybrid Framework for Anomaly Detection and Risk Forecasting in Financial Time Series
Yunnan Agricultural University（云南农业大学）；New York University（纽约大学）；Carnegie Mellon University（卡内基梅隆大学）
针对传统深度学习模型难以捕捉非平稳金融数据长期依赖与周期模式的问题，提出集成FEDformer、残差异常检测器与风险预测头的混合框架，在多类金融数据集上取得更优的异常检测与风险预测效果。
2025-11-17 cs.LG
Temporal Graph Networks for Graph Anomaly Detection in Financial Networks
Ulsan National Institute of Science and Technology（蔚山科学技术院）；Korea Advanced Institute of Science and Technology（韩国科学技术院）；Sogang University（西江大学）
本文研究利用时序图网络（TGN）捕捉金融网络动态边变化以进行欺诈检测，并在 DGraph 数据集上验证其 AUC 指标显著优于静态 GNN 和超图神经网络基线，同时比较了不同图嵌入模块的效果。
2024-03-27 cs.AI cs.LG q-fin.ST
LENS: Large Pre-trained Transformer for Exploring Financial Time Series Regularities
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；City University of Hong Kong（香港城市大学）；Peking University（北京大学）
针对金融时间序列高噪声、低信噪比导致传统预训练失效的问题，提出 LENS 模型，以定制架构和可逆嵌入捕捉随机规律，并经理论分析与千亿观测预训练验证其广泛下游性能。
2025-10-21 cs.AI cs.LG
Graph-Based Financial Fraud Detection with Calibrated Risk Scoring and Structural Regularization
Brandeis University（布雷纳大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Georgetown University（乔治城大学）；Columbia University（哥伦比亚大学）；Stevens Institute of Technology（史蒂文斯理工学院）
本文提出一种图神经网络表示学习与风险鉴别框架，通过整合交易记录和身份信息构建交易图，利用多层消息传递机制和结构正则化提升欺诈检测的准确性和稳定性。
2026-05-12 cs.LG
Motif-aware temporal GCN for fraud detection in signed cryptocurrency trust networks
International Digital Economy Academy(Futian)（国际数字经济研究院（福田））；University of Oxford（牛津大学）；Harbin Institute of Technology, ShenZhen（哈尔滨工业大学（深圳））；Xi’an Jiaotong University（西安交通大学）；City University of Hong Kong（香港城市大学）；Xi’dian University（西安电子科技大学）
图卷积网络（GCN）是一类用于处理可以表示为图的数据的人工神经网络。由于金融交易可以自然地构造为图，因此GCN在金融行业中得到广泛应用，特别是在金融欺诈检测方面。在本文中，我们专注于加密货币truct网络上的欺诈检测。在文献中，大多数工作集中在静态网络。而在本研究中，我们考虑了加密货币网络的演化性质，并使用局部结构和平衡理论来指导训练过程。更具体地说，我们计算模体矩阵来捕获局部拓扑信息，然后在GCN聚合过程中使用它们。在每个快照处生成的嵌入是时间窗口内嵌入的加权平均，其中权重是可学习的参数。由于信任网络在每条边上签名，因此使用平衡理论来指导训练过程。在bitcoin-alpha和bitcoin-otc数据集上的实验结果表明，该模型的性能优于文献中的模型。
2023-03-29 cs.AI cs.CR cs.LG
Industry Classification Using a Novel Financial Time-Series Case Representation
University College Dublin（都柏林大学学院）；Insight Centre for Data Analytics（洞察数据分析中心）
针对传统基于案例的推理在金融时间序列行业分类中的表示难题，提出基于股票收益嵌入的新型表示方法，经大规模公开数据集验证，性能较传统基线有大幅提升。
2023-04-29 cs.AI cs.LG q-fin.ST
Corporate Fraud Detection in Rich-yet-Noisy Financial Graph
Nanjing University（南京大学）
针对金融图中信息过载与隐蔽欺诈问题，提出具有鲁棒两阶段学习的知识增强GCN（KeGCN_R），利用知识图谱嵌入缓解信息过载并增强对隐蔽欺诈的鲁棒性，在真实数据集上表现优于多个强基线。
2025-05-29 cs.AI cs.LG q-fin.RM
