PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2608.00045v4cs.CL

텍스트 기술어로부터 스타트업 엑시트 예측 - 전산언어학적 프레임워크

Predicting Startup Exit from Textual Descriptors - A Computational Linguistics Framework

본 연구는 맥락, 재무 또는 인적 자본 변수에 의존하지 않고도 텍스트 기술어(textual descriptor)만으로 엑시트(Exit)로 정의되는 초기 단계 스타트업의 성공을 예측할 수 있음을 보여준다. 20년에 걸쳐 7,419개 스타트업을 포괄하는 벤처 캐피털 큐레이션 데이터셋을 활용하여, 본 연구는 텍스트 기반 프레이밍 변수를 분리하고 스타트업 내러티브 매핑을 통해 850개의 특징(feature)을 엔지니어링한다. 데이터 하위 집합과 벡터 임베딩(embedding)의 통계적 유의성을 평가한 후, 6개 모델에 걸쳐 지도 머신러닝 실험을 수행한다. 로지스틱 회귀(Logistic Regression)를 사용한 이진 엑시트 예측은 임베딩을 제외한 모든 특징을 사용했을 때 0.55의 재현율(recall)과 0.48의 F1 점수를 달성하며, 임베딩을 포함한 텍스트 기술어만을 사용했을 때는 0.59의 재현율과 0.26의 F1 점수를 달성한다. 특징 분석 결과에 따르면 형용사, 전문 용어(jargon), 유행어(buzzwords)와 같은 과장 마커(hyping marker)의 최적화된 밀도는 더 높은 엑시트 확률과 연관되어 있는 반면, 과도한 설명문이나 사명(name) 길이는 더 낮은 확률과 연관되어 있음을 나타낸다. 또한 본 연구는 벤처 심사(venture screening)에 잠재적으로 적용할 수 있는 정량화 가능한 Hyping Score를 도입한다. 이러한 결과는 정보 비대칭성이 높은 투자 환경에서 스타트업의 프레이밍이 경제적 성과의 독립적인 예측 요인으로 기능할 수 있음을 시사한다.

arXiv:2606.28933v1cs.CL

FinInvest-GTCN: 리스크 인식 투자 의사결정 최적화를 위한 설명 가능한 그래프-시간-인과 모델링

FinInvest-GTCN: Explainable Graph-Temporal-Causal Modeling for Risk-Aware Investment Decision Optimization

벤처 캐피털(VC) 투자 의사결정은 다중 출처 이종 데이터, 비정상 시계열, 그리고 고위험·저데이터 환경에서의 설명 가능한 예측 수요 등 고유한 도전 과제에 직면한다. 이러한 문제를 극복하기 위해 우리는 콘텐츠 추천에서 정량적 리스크-수익 평가로 과제를 재정의한 그래프-시간-인과 네트워크인 FinInvest-GTCN을 제안한다. 이 아키텍처는 투자 생태계의 위상을 포착하는 관계형 그래프 인코더, 장기 의존성과 비정상성을 처리하는 다중 스케일 시간 융합 모듈, 그리고 해석 가능한 인과 귀인(causal attribution)과 함께 리스크 조정 예측을 생성하는 인과 결정 헤드를 결합한다. 핵심 혁신은 메타-인과 적응(MCA) 전략으로, 메타 사전학습에서 도출된 인과적으로 타당한 구조와 업데이트를 정렬함으로써 새로운 데이터 희소 분야에 대한 견고한 미세조정을 가능하게 한다. 독점 VC 데이터셋에 대한 포괄적 실험에서 FinInvest-GTCN은 최첨단 결과를 달성하며, 주요 지표인 리스크 조정 평균 제곱 오차(RA-MSE)를 기준선 3.05에서 2.51로 현저히 낮추고 시뮬레이션 포트폴리오의 누적 수익을 18.7% 향상시켰다. 절제 연구(ablation study)는 각 구성 요소의 핵심적인 역할을 강조하며, 추가 분석은 모델의 안정성, 해석 가능성, 그리고 향상된 적응력을 확인한다. 본 연구는 투자 의사결정 지원을 위한 데이터 기반의 설명 가능한 프레임워크를 개척한다.