論文の概要: Online Learning with Radial Basis Function Networks
- arxiv url: http://arxiv.org/abs/2103.08414v1
- Date: Mon, 15 Mar 2021 14:39:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 18:50:07.920635
- Title: Online Learning with Radial Basis Function Networks
- Title(参考訳): ラジアル基底関数ネットワークを用いたオンライン学習
- Authors: Gabriel Borrageiro, Nick Firoozye and Paolo Barucca
- Abstract要約: オンライン学習の逐次学習と連続学習について考察する。
オンライン学習技術はオフライン学習よりも優れています。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate the benefits of feature selection, nonlinear modelling and
online learning with forecasting in financial time series. We consider the
sequential and continual learning sub-genres of online learning. Through
empirical experimentation, which involves long term forecasting in daily
sampled cross-asset futures, and short term forecasting in minutely sampled
cash currency pairs, we find that the online learning techniques outperform the
offline learning ones. We also find that, in the subset of models we use,
sequential learning in time with online Ridge regression, provides the best
next step ahead forecasts, and continual learning with an online radial basis
function network, provides the best multi-step ahead forecasts. We combine the
benefits of both in a precision weighted ensemble of the forecast errors and
find superior forecast performance overall.
- Abstract(参考訳): 金融時系列予測を用いた特徴選択,非線形モデリング,オンライン学習の利点について検討する。
オンライン学習の逐次学習と連続学習について考察する。
毎日のサンプル・クロスアセスト・フューチャーにおける長期予測と、少額のサンプル・キャッシュ・通貨対における短期予測を含む実証実験により、オンライン学習技術はオフライン学習よりも優れていることがわかった。
また、私たちが使用するモデルのサブセットでは、オンラインリッジ回帰に合わせて順次学習し、オンラインラジアルベース関数ネットワークを使用して、最良の次のステップの予測を提供し、継続的な学習は、最高のマルチステップの予測を提供します。
予測誤差の正確な重み付きアンサンブルの両方の利点を組み合わせて、優れた予測パフォーマンスを総合的に見つけます。
関連論文リスト
- An Adaptive Approach for Probabilistic Wind Power Forecasting Based on
Meta-Learning [7.422947032954223]
本稿では,オフラインおよびオンライン学習手順を含む,確率的風力予測(WPF)への適応的アプローチについて検討する。
オフライン学習では、メタ学習の内外ループ更新を通じてベース予測モデルを訓練する。
オンライン学習の段階では、ベース予測モデルがオンライン予測に適用され、漸進的な学習技術が組み合わされる。
論文 参考訳(メタデータ) (2023-08-15T18:28:22Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳(メタデータ) (2023-02-20T22:25:47Z) - Lessons Learned Applying Deep Learning Approaches to Forecasting Complex
Seasonal Behavior [0.0]
本稿では,大手金融サービス企業におけるコールセンターボリューム予測におけるニューラルネットワークの適用性について検討する。
本稿では,Elman (simple), Long Short-Term Memory (LTSM), Gated Recurrent Unit (GRU) RNNのパラメータ設定と収束基準の最適化について検討する。
多くの異なる"スキル"(インカムコールストリーム)にわたる実際のコールセンタデータを用いた設計実験は、最もよく観察されたRNN構成の検証エラー率によって測定された性能と、他の近代的および古典的な予測手法との比較である。
論文 参考訳(メタデータ) (2023-01-04T07:42:21Z) - Near-optimal Offline Reinforcement Learning with Linear Representation:
Leveraging Variance Information with Pessimism [65.46524775457928]
オフライン強化学習は、オフライン/歴史的データを活用して、シーケンシャルな意思決定戦略を最適化しようとしている。
線形モデル表現を用いたオフライン強化学習の統計的限界について検討する。
論文 参考訳(メタデータ) (2022-03-11T09:00:12Z) - Recursive Least-Squares Estimator-Aided Online Learning for Visual
Tracking [58.14267480293575]
オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。
これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。
我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
論文 参考訳(メタデータ) (2021-12-28T06:51:18Z) - Online Continual Learning with Natural Distribution Shifts: An Empirical
Study with Visual Data [101.6195176510611]
オンライン」連続学習は、情報保持とオンライン学習の有効性の両方を評価することができる。
オンライン連続学習では、入力される各小さなデータをまずテストに使用し、次にトレーニングセットに追加し、真にオンラインにします。
本稿では,大規模かつ自然な分布変化を示すオンライン連続視覚学習のための新しいベンチマークを提案する。
論文 参考訳(メタデータ) (2021-08-20T06:17:20Z) - Ensembles of Randomized NNs for Pattern-based Time Series Forecasting [0.0]
本稿では,ランダム化ニューラルネットワークに基づくアンサンブル予測手法を提案する。
時系列のパターンに基づく表現は、複数の季節の時系列を予測するのに適している。
4つの実世界の予測問題に対するケーススタディにより,提案手法の有効性と性能が検証された。
論文 参考訳(メタデータ) (2021-07-08T20:13:50Z) - Online learning of windmill time series using Long Short-term Cognitive
Networks [58.675240242609064]
風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。
我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。
提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
論文 参考訳(メタデータ) (2021-07-01T13:13:24Z) - POLA: Online Time Series Prediction by Adaptive Learning Rates [4.105553918089042]
繰り返しニューラルネットワークモデルの学習速度を自動的に調整し、時系列パターンの変化に適応するPOLAを提案する。
POLAは、他のオンライン予測方法よりも総合的に、あるいは優れた予測性能を示す。
論文 参考訳(メタデータ) (2021-02-17T17:56:12Z) - A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。
線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。
以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
論文 参考訳(メタデータ) (2020-10-27T17:56:14Z) - Improved Predictive Deep Temporal Neural Networks with Trend Filtering [22.352437268596674]
本稿では,ディープニューラルネットワークとトレンドフィルタリングに基づく新しい予測フレームワークを提案する。
我々は,学習データをトレンドフィルタリングによって時間的に処理した場合,深部時相ニューラルネットワークの予測性能が向上することを明らかにする。
論文 参考訳(メタデータ) (2020-10-16T08:29:36Z)
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。