限制订单簿（LOB）是一个动态的，以事件为导向的系统，可记录流流中金融资产的实时市场需求和供应。 LOB中的事件流预测是指预测时间和事件类型。挑战在于对时间事件分布进行建模以捕获时间和事件类型之间的相互依赖性，而事件类型传统上依赖于随机点过程 ...
尽管由于高噪音，沉重的尾巴和战略性相互作用，财务数据列出了最具挑战性，最有趣的序列建模任务之一，但由于对定量评估范式的共识缺乏共识而阻碍了这一领域的进展。为了解决这个问题，我们介绍了在Python中实现的基准Lob Bench，旨在评估以龙虾格式评估限制订单书籍（LOB）的生成消息的质量和现实主义。我们的框架衡量了生成和真实LOB数据之间条件和无条件统计的分布差异，从而支持灵活的多元统计评估 .. ...
尽管视觉模型（VLM）取得了重大进步，但现有VLM的性能仍然受到对象幻觉的阻碍，这是实现准确的视觉理解的关键挑战。为了解决这个问题，我们提出了第二个：选择性和对比解码，一种新型方法，使VLMs能够以中心为中心的方式有效利用多规模的视觉信息，与人类的视觉感知紧密地结合。第二逐渐选择并集成了多尺度的视觉信息，从而促进了对图像的更精确的解释 ...
在迅速发展的金融市场世界中，了解限制订单簿（LOB）的动态对于揭示市场微观结构和参与者行为至关重要。我们将ClusterLob作为一种将单个市场事件集中在逐阶（MBO）数据流中的方法中。为此，每个市场活动都具有六个时间依赖的功能 ...
建模限制顺序书籍（LOB）动态是市场微观结构研究中的一个基本问题。特别是，尽管最近的工作探讨了生成性对抗网络在群中的应用，但具有强大时间和流动性依赖性模式的高维体快照仍然是一项艰巨的任务。在这项工作中，我们提出了一个有条件的\ textbf {diff}使用模型，以生成未来lob \ textbf {polumial}快照（\ textbf {diffvolume}） ...
评估大语言模型（LLM）中的偏见对于它们的快速发展至关重要。但是，现有的评估方法依赖于固定形式的输出，不能适应LLMS的灵活开放文本生成方案（例如， ...
确定LLM生成的内容中的偏见是确保LLM公平性的关键先决条件。现有方法，例如公平分类器和基于LLM的法官，面临与理解潜在意图的困难以及缺乏公平判断的标准有关的限制。在本文中，我们介绍了BiasGuard，这是一种新型的偏见检测工具，该工具通过公平规格明确分析输入和原因，以提供准确的判断 ...
本文确定了Opensdi，这是在开放世界中发现扩散生成的图像的挑战。为了应对这一挑战，我们定义了一个新的基准，OpenSDI数据集（OpenSDID），该数据集（OpenSDID）由于使用了大型视觉语言模型，从而在现有数据集中突出，这些模型模拟了开放世界扩散的操作。 OpenSDID的另一个杰出特征是它包含通过扩散模型在全球和本地操纵的图像的检测和本地化任务 ...
