多尺度对比学习精准预测网络冲击损失，EventTime超越SOTA！
Quantifying Event Impacts on Time Series via Multiscale Contrastive Learning
👨💼 主理人解读 · 为什么值得关注
用多尺度对比学习量化事件对金融时间序列的冲击，帮助开发者捕捉跨尺度异常波动。
📖 AI 总结
该研究提出了一种名为EventTime的多尺度对比学习框架，用于量化网络安全事件对金融时间序列的冲击影响。针对传统预测模型难以处理罕见外部事件的问题，EventTime融合长期市场背景、短期事件前动态和事件元数据，通过事件融合模块将时间序列表示与事件属性耦合，并引入动态对比学习目标以缓解稀疏监督挑战。研究还构建了SECURE数据集，将网络安全事件与股票市场数据及结构化语义特征对齐。实验表明，EventTime在估计事件后财务损失方面持续优于现有基线，具有更强的事件敏感性、对不完整元数据的鲁棒性，并能提供更可解释的短期市场影响估计，为事件驱动的时间序列分析提供了新思路。
🔑 关键词速览
| EventTime | 本文提出的多分辨率框架，用于结合市场背景、事件前动态和事件元数据来预测事件影响。 |
| SECURE | 本文构建的真实世界数据集，将网络安全事件与股票市场时间序列及语义特征对齐。 |
| 动态对比目标 | 一种训练目标，通过构建事件和时间序列感知的正负样本对来缓解稀疏监督问题。 |
| 事件融合模块 | EventTime中的模块，将时间表示与事件属性耦合以识别相关市场模式。 |
| 异常损失 | 事件披露后超出正常预期的财务损失，用于衡量事件对市场的影响。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅