MEANT：前兆信息的多模态编码器
人工智能
2024-11-12 v1
摘要
股票市场提供了丰富的信息资源，这些信息可分布于多个模态，使其成为多模态评估的理想候选场景。多模态数据在机器学习的发展中扮演着日益重要的角色，并已显示出对性能的积极影响。然而，信息不仅可以存在于不同模态中——还可以存在于不同时间维度上。对于由多种信息类型组成的时间序列数据，我们应如何进行关注？本工作提出了 (i) MEANT 模型——一种前兆信息的多模态编码器，以及 (ii) 一个名为 TempStock 的新数据集，该数据集包含价格、推文和图形数据，涵盖了标普 500 指数中所有公司的超过一百万条推文。我们发现 MEANT 在现有基线模型上的性能提升了超过 15%，并且消融研究表明文本信息对时间依赖任务的影响远大于视觉信息。
引用
@article{arxiv.2411.06616,
title = {MEANT: Multimodal Encoder for Antecedent Information},
author = {Benjamin Iyoya Irving and Annika Marie Schoene},
journal= {arXiv preprint arXiv:2411.06616},
year = {2024}
}