ترجمه فارسی مقاله متحد کردن یادگیری متضاد و مولد برای مدل‌های توالی رویداد

چکیده

High-quality representation of transactional sequences is vital for modern banking applications, including risk management, churn prediction, and personalized customer offers. Different tasks require distinct representation properties: local tasks benefit from capturing the client’s current state, while global tasks rely on general behavioral patterns. Previous research has demonstrated that various self-supervised approaches yield representations that better capture either global or local qualities. This study investigates the integration of two self-supervised learning techniques – instance-wise contrastive learning and a generative approach based on restoring masked events in latent space. The combined approach creates representations that balance local and global transactional data characteristics. Experiments conducted on several public datasets, focusing on sequence classification and next-event type prediction, show that the integrated method achieves superior performance compared to individual approaches and demonstrates synergistic effects. These findings suggest that the proposed approach offers a robust framework for advancing event sequences representation learning in the financial sector.

چکیده به فارسی (ترجمه ماشینی)

نمایندگی با کیفیت بالا از توالی های معامله ای برای برنامه های بانکی مدرن ، از جمله مدیریت ریسک ، پیش بینی چرند و پیشنهادات مشتری شخصی بسیار مهم است.وظایف مختلف به خصوصیات بازنمایی متمایز نیاز دارند: کارهای محلی از گرفتن وضعیت فعلی مشتری بهره مند می شوند ، در حالی که کارهای جهانی به الگوهای رفتاری عمومی متکی هستند.تحقیقات قبلی نشان داده است که رویکردهای مختلف خود تحت نظارت بازنمایی هایی را ارائه می دهند که بهتر از ویژگی های جهانی یا محلی را ضبط می کنند.این مطالعه به بررسی ادغام دو تکنیک یادگیری خود سنجی می پردازد-یادگیری متضاد به طور مثال و یک رویکرد تولیدی مبتنی بر بازگرداندن وقایع نقاب دار در فضای نهفته.رویکرد ترکیبی بازنمایی هایی را ایجاد می کند که ویژگی های داده های معامله محلی و جهانی را متعادل می کند.آزمایشات انجام شده بر روی چندین مجموعه داده عمومی ، با تمرکز بر طبقه بندی توالی و پیش بینی نوع رویداد بعدی ، نشان می دهد که روش یکپارچه عملکرد برتر را در مقایسه با رویکردهای فردی به دست می آورد و اثرات هم افزایی را نشان می دهد.این یافته ها نشان می دهد که رویکرد پیشنهادی چارچوبی قوی برای پیشبرد یادگیری نمایندگی توالی رویداد در بخش مالی ارائه می دهد.