論文の概要: ConFuse: Convolutional Transform Learning Fusion Framework For Multi-Channel Data Analysis

• arxiv url: http://arxiv.org/abs/2011.04317v1
• Date: Mon, 9 Nov 2020 10:41:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 01:44:54.947724
• Title: ConFuse: Convolutional Transform Learning Fusion Framework For Multi-Channel Data Analysis
• Title（参考訳）: confuse:マルチチャネルデータ解析のための畳み込み変換学習融合フレームワーク
• Authors: Pooja Gupta, Jyoti Maggu, Angshul Majumdar, Emilie Chouzenoux, Giovanni Chierchia
• Abstract要約: 本稿では、最近提案された畳み込み変換学習の%に基づく教師なし融合フレームワークを提案する。 この枠組みを多チャンネル金融データに適用し、株価予測とトレーディングを行う。
• 参考スコア（独自算出の注目度）: 29.58965424136611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work addresses the problem of analyzing multi-channel time series data %. In this paper, we by proposing an unsupervised fusion framework based on %the recently proposed convolutional transform learning. Each channel is processed by a separate 1D convolutional transform; the output of all the channels are fused by a fully connected layer of transform learning. The training procedure takes advantage of the proximal interpretation of activation functions. We apply the developed framework to multi-channel financial data for stock forecasting and trading. We compare our proposed formulation with benchmark deep time series analysis networks. The results show that our method yields considerably better results than those compared against.
• Abstract（参考訳）: 本研究は,マルチチャネル時系列データ % の解析問題に対処する。 本稿では,最近提案された畳み込み変換学習の%に基づいて,教師なしの融合フレームワークを提案する。 各チャネルは独立した1次元畳み込み変換によって処理され、すべてのチャネルの出力は変換学習の完全連結層によって融合される。 訓練手順は、活性化関数の近位解釈を利用する。 株の予測と取引のための多チャンネル財務データに開発フレームワークを適用した。 提案手法をベンチマークディープ時系列解析ネットワークと比較する。 その結果,本手法は比較した手法よりもかなり優れた結果が得られることがわかった。

関連論文リスト

• SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
  時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。 本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:06:35Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• MixupE: Understanding and Improving Mixup from Directional Derivative Perspective [86.06981860668424]
  理論上は、バニラ・ミックスアップよりも優れた一般化性能を実現するために、Mixupの改良版を提案する。 提案手法は,様々なアーキテクチャを用いて,複数のデータセットにまたがるMixupを改善した。
  論文  参考訳（メタデータ） (2022-12-27T07:03:52Z)
• Receptive Field-based Segmentation for Distributed CNN Inference Acceleration in Collaborative Edge Computing [93.67044879636093]
  協調エッジコンピューティングネットワークにおける分散畳み込みニューラルネットワーク(CNN)を用いた推論高速化について検討する。 我々は,CNNモデルを複数の畳み込み層に分割するために,融合層並列化を用いた新しい協調エッジコンピューティングを提案する。
  論文  参考訳（メタデータ） (2022-07-22T18:38:11Z)
• Dense Unsupervised Learning for Video Segmentation [49.46930315961636]
  ビデオオブジェクトセグメンテーション(VOS)のための教師なし学習のための新しいアプローチを提案する。 これまでの研究とは異なり、我々の定式化によって、完全に畳み込みの仕組みで、密集した特徴表現を直接学習することができる。 我々の手法は、トレーニングデータや計算能力が大幅に少ないにもかかわらず、以前の作業のセグメンテーション精度を超える。
  論文  参考訳（メタデータ） (2021-11-11T15:15:11Z)
• Towards Federated Bayesian Network Structure Learning with Continuous Optimization [14.779035801521717]
  本稿では,ベイズネットワークの構造を推定するクロスサイロ・フェデレーション学習手法を提案する。 本研究では,連続最適化に基づく分散構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-18T14:36:05Z)
• Deep Multimodal Fusion by Channel Exchanging [87.40768169300898]
  本稿では,異なるモードのサブネットワーク間で動的にチャネルを交換するパラメータフリーマルチモーダル融合フレームワークを提案する。 このような交換プロセスの有効性は、畳み込みフィルタを共有してもBN層をモダリティで分離しておくことで保証される。
  論文  参考訳（メタデータ） (2020-11-10T09:53:20Z)
• SuperDeConFuse: A Supervised Deep Convolutional Transform based Fusion Framework for Financial Trading Systems [29.411173536818477]
  本研究は、金融株取引のための教師付きマルチチャネル時系列学習フレームワークを提案する。 我々のアプローチは、データチャネルを別々の1次元畳み込み層で処理し、それから出力を一連の完全に接続された層で融合し、最終的にソフトマックス分類層を適用します。 数値実験により,提案モデルにより,ストックトレーディングの現実問題に対する最先端のディープラーニング技術よりもかなり優れた結果が得られることを確認した。
  論文  参考訳（メタデータ） (2020-11-09T11:58:12Z)
• DeConFuse : A Deep Convolutional Transform based Unsupervised Fusion Framework [29.58965424136611]
  本研究では、深層畳み込み変換学習に基づく教師なし融合フレームワークを提案する。 ストック予測とトレーディングの問題に対して,提案手法であるDeConFuseを適用した。
  論文  参考訳（メタデータ） (2020-11-09T11:04:09Z)

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。