論文の概要: Explainable Deep Convolutional Candlestick Learner

• arxiv url: http://arxiv.org/abs/2001.02767v4
• Date: Fri, 29 May 2020 06:04:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 09:32:01.149591
• Title: Explainable Deep Convolutional Candlestick Learner
• Title（参考訳）: 説明可能な深層畳み込みキャンドルスティック学習器
• Authors: Jun-Hao Chen, Samuel Yen-Chi Chen, Yun-Cheng Tsai, Chih-Shiang Shur
• Abstract要約: 深層畳み込みニューラルネットワークは、ろうそくのパターンを認識することで大きな成功を収めている。 時系列の特定のキャンドルスティックパターンを決定する学習モデルの推論を説明するためのフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 2.299476124054149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Candlesticks are graphical representations of price movements for a given period. The traders can discovery the trend of the asset by looking at the candlestick patterns. Although deep convolutional neural networks have achieved great success for recognizing the candlestick patterns, their reasoning hides inside a black box. The traders cannot make sure what the model has learned. In this contribution, we provide a framework which is to explain the reasoning of the learned model determining the specific candlestick patterns of time series. Based on the local search adversarial attacks, we show that the learned model perceives the pattern of the candlesticks in a way similar to the human trader.
• Abstract（参考訳）: キャンドルスティックは一定期間の価格変動の図式表現である。 トレーダは、ろうそくのパターンを見て資産のトレンドを発見することができます。 深い畳み込みニューラルネットワークは、キャンドルスティックパターンを認識することで大きな成功を収めているが、その推論はブラックボックスの中に隠れている。 トレーダはモデルが学んだことを確認できません。 本稿では,時系列の特定のロウソクスティックパターンを決定する学習モデルの推論を説明するためのフレームワークを提供する。 局所的な探索攻撃に基づいて,学習したモデルが,人間のトレーダーに類似した方法でロウソクスティックのパターンを認識することを示す。

関連論文リスト

• Learning to Jump: Thinning and Thickening Latent Counts for Generative Modeling [69.60713300418467]
  ジャンプの学習は、様々な種類のデータの生成モデリングのための一般的なレシピである。 ジャンプの学習が、デノゼの学習と相容れないパフォーマンスを期待される場合と、より良いパフォーマンスを期待される場合を実証する。
  論文  参考訳（メタデータ） (2023-05-28T05:38:28Z)
• Meet You Halfway: Explaining Deep Learning Mysteries [0.0]
  本稿では,ネットワークの振舞いに光を当てることを目的とした,形式的な記述を伴う新しい概念的枠組みを提案する。 なぜニューラルネットワークは一般化能力を獲得するのか? 我々は、この新しいフレームワークと基礎となる理論をサポートする包括的な実験セットを提供する。
  論文  参考訳（メタデータ） (2022-06-09T12:43:10Z)
• Complex Evolutional Pattern Learning for Temporal Knowledge Graph Reasoning [60.94357727688448]
  TKG推論は、歴史的KG配列を考えると、将来の潜在的な事実を予測することを目的としている。 進化のパターンは、長さの多様性と時間変化の2つの側面において複雑である。 本稿では,CEN(Complex Evolutional Network)と呼ばれる新しいモデルを提案する。CNN(Convolutional Neural Network)を用いて,長さの異なる進化パターンを扱う。
  論文  参考訳（メタデータ） (2022-03-15T11:02:55Z)
• Dynamic Deep Convolutional Candlestick Learner [2.1828601975620257]
  この研究は、ロウソクスティックパターンのタスクに近代的なオブジェクト検出技術と時系列エンコーディングの革新的な統合を提示する。 深層ニューラルネットワークとユニークなアーキテクチャ設計により、提案されたモデルは、キャンドルスティックの分類と位置認識においてかなりよく機能する。
  論文  参考訳（メタデータ） (2022-01-21T12:34:59Z)
• Search from History and Reason for Future: Two-stage Reasoning on Temporal Knowledge Graphs [56.33651635705633]
  そこで我々は,CluSTeRを提案し,2段階の予測手法であるClue SearchとTemporal Reasoningを提案する。 CluSTeRは、強化学習(RL)を通じてビームサーチポリシーを学び、歴史的事実から複数の手がかりを導き出す。 時間的推論段階では、グラフ畳み込みネットワークに基づくシーケンス法を採用し、手がかりから回答を導出する。
  論文  参考訳（メタデータ） (2021-06-01T09:01:22Z)
• Visualising Deep Network's Time-Series Representations [93.73198973454944]
  機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。 本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。 高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
  論文  参考訳（メタデータ） (2021-03-12T09:53:34Z)
• What Do Deep Nets Learn? Class-wise Patterns Revealed in the Input Space [88.37185513453758]
  本研究では,深層ニューラルネットワーク(DNN)が学習するクラスワイズな知識を,異なる環境下で可視化し,理解する手法を提案する。 本手法は,各クラスのモデルが学習した知識を表現するために,画素空間内の1つの予測パターンを探索する。 逆境環境では、逆境に訓練されたモデルはより単純化された形状パターンを学ぶ傾向がある。
  論文  参考訳（メタデータ） (2021-01-18T06:38:41Z)
• Learning Global Transparent Models Consistent with Local Contrastive Explanations [34.86847988157447]
  ブラックボックスモデルについて,局所的な対照的な説明からカスタム機能を作成し,これらだけでグローバルに透過的なモデルをトレーニングする。 そこで本研究では,ブラックボックスモデルの局所的な対照的な説明からカスタムな特徴を創出し,その上にグローバルな透明なモデルをトレーニングする手法を提案する。
  論文  参考訳（メタデータ） (2020-02-19T15:45:42Z)
• Adversarial Attack on Community Detection by Hiding Individuals [68.76889102470203]
  我々はブラックボックス攻撃に焦点をあて、ディープグラフコミュニティ検出モデルの検出からターゲット個人を隠すことを目的としている。 本稿では,制約付きグラフ生成器として動作するモジュールと,サロゲート型コミュニティ検出モデルとして動作するモジュールを交互に更新する反復学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-22T09:50:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。