यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
यह पत्र LATTE का प्रस्ताव करता है, जो वित्तीय अनुप्रयोगों में ग्राहक एम्बेडिंग सीखने के लिए एक नया ढाँचा है। मौजूदा बड़े पैमाने के भाषा मॉडल (LLM) दीर्घकालिक घटना अनुक्रमों को संसाधित करने में कम्प्यूटेशनल ओवरहेड से ग्रस्त हैं और वास्तविक दुनिया की पाइपलाइनों पर लागू करना मुश्किल है। LATTE एक कंट्रास्टिव लर्निंग ढाँचा है जो कच्चे इवेंट एम्बेडिंग को फ्रोजन LLM से निकाले गए सिमेंटिक एम्बेडिंग के साथ संरेखित करता है। यह क्रिया विशेषताओं को छोटे संकेतों में सारांशित करता है, उन्हें LLM का उपयोग करके एम्बेड करता है, और कंट्रास्टिव लॉस का उपयोग करके पर्यवेक्षित लर्निंग करता है। यह LLM का उपयोग करके पूर्ण-अनुक्रम प्रसंस्करण की तुलना में अनुमान लागत और इनपुट आकार को उल्लेखनीय रूप से कम करता है। वास्तविक दुनिया के वित्तीय डेटासेट का उपयोग करके किए गए प्रायोगिक परिणाम दर्शाते हैं कि LATTE मौजूदा अत्याधुनिक तकनीकों से बेहतर प्रदर्शन करता है और विलंबता-संवेदनशील वातावरण में भी लागू किया जा सकता है।
Takeaways, Limitations
•
Takeaways:
◦
हम वित्तीय अनुप्रयोगों के लिए एक नवीन ग्राहक एम्बेडिंग शिक्षण पद्धति प्रस्तुत करते हैं जो LLM का लाभ उठाते हुए कम्प्यूटेशनल लागत और विलंबता संबंधी मुद्दों को प्रभावी ढंग से संबोधित करती है।
◦
वास्तविक विश्व वित्तीय डेटासेट पर मौजूदा अत्याधुनिक तकनीकों पर मान्य प्रदर्शन।
◦
एक व्यावहारिक मॉडल प्रदान करता है जिसे विलंबता-संवेदनशील वातावरण में भी तैनात किया जा सकता है।
•
Limitations:
◦
प्रस्तावित मॉडल का प्रदर्शन विशिष्ट वित्तीय डेटासेट तक सीमित हो सकता है।
◦
यह प्रयुक्त एलएलएम के प्रदर्शन पर निर्भर हो सकता है।
◦
त्वरित इंजीनियरिंग की गुणवत्ता से प्रदर्शन प्रभावित हो सकता है।
◦
विभिन्न प्रकार की वित्तीय घटनाओं में सामान्यीकरण प्रदर्शन पर आगे अनुसंधान की आवश्यकता है।
