大规模市场价格异常检测系统
DeepTrust 是一种利用 Twitter 提供可靠的金融知识检索框架，包含三个模块：异常检测、信息检索和可靠性评估，并使用最先进的 NLP 技术确保数据的准确性。该框架以历史定价数据为基础，使用机器学习模型识别异常资产价格变化，并使用增强的动态搜索条件从 Twitter 检索相关的非结构化数据。通过追踪生成语言模型、论证结构、主观性和情感信号的信息可靠性来确保有效的市场洞察。该框架被证明能够精确地筛选不可靠信息，可以作为根据社交媒体平台认证的知识帮助交易员实时达成关于价格异常的投资决策。
Mar, 2022
该论文提出了一种新的基于数据驱动和可解释的降价定价策略，使用半参数结构模型进行反事实预测和多期价格优化，并采用随机模型建立顺序定价策略。
May, 2021
本文提出了一个数数据市场的基本模型，通过建立一个竞价机制来有效地买卖机器学习任务的训练数据，突破了训练数据不能定价，买卖难以衡量的难题，其中技术贡献包括公平性的计算及组合产品的机制拍卖方式。
May, 2018
根据市场趋势、预期需求和其他特征（包括政府规定、国际交易和投机与期望），价格预测算法针对每个产品或服务提出价格。然而，随着输入变量的增加，现有的机器学习方法在计算效率和预测效果方面面临挑战。因此，本研究介绍了一种决策层面融合方法，以选择有信息量的变量进行价格预测，并提出了一个基于元启发式算法的方案，以同时改进预测所使用的变量，并降低误差率。通过使用 Elastic net 方法消除无关和冗余变量以提高准确性，生成帕累托最优解。随后，我们提出了一种新的方法来合并解决方案，并确保特征子集是最佳的。两个真实数据集评估了所提出的价格预测方法，并且结果支持模型相对均方根误差和调整相关系数的优越性。
Mar, 2024
利用跨部门和 SKU 的横截面数据，提出了一种基于入口的方法来检测低秩泊松矩阵中的异常点，该方法可以适应一般类别的概率异常模型，并在实际数据中显示出比现有方法多 10 倍的成本降低。
Jun, 2020
eBay 建立了一个具有两个阶段警报系统的可行警报以及一个有效率的异常检测算法 Moving Metric Detector，为用户提供了精确的警报信息。
Apr, 2020
本文提出了一种基于理论条件的数据标记策略，并提出了一种新的半监督学习框架，可在数据标记预算约束下实现最优数据覆盖，并优于其他方法在标记预算约束条件下实现最佳半监督异常检测性能。
Feb, 2023
本文提出了一种基于模型的异常检测方法，Out-of-Bag 异常检测，它可以处理由数字和分类特征组成的多维数据集，将无监督学习问题分解成集合模型的训练。通过对基准数据集的全面实验展示了该方法的最新性能，并通过房屋估值的案例研究展示了其可以作为数据预处理步骤，提高 ML 系统的准确性和可靠性。
Sep, 2020