論文の概要: Domain Specific Concept Drift Detectors for Predicting Financial Time
Series
- arxiv url: http://arxiv.org/abs/2103.14079v1
- Date: Mon, 22 Mar 2021 07:48:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 01:08:12.636966
- Title: Domain Specific Concept Drift Detectors for Predicting Financial Time
Series
- Title(参考訳): 金融時系列予測のためのドメイン固有概念ドリフト検出器
- Authors: Filippo Neri
- Abstract要約: 概念ドリフト検出器は、学習システムが静止しないデータストリームの精度を維持することができる。
本稿では,金融時系列に適用した場合のドリフト検出器の挙動について考察する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Concept drift detectors allow learning systems to maintain good accuracy on
non-stationary data streams. Financial time series are an instance of
non-stationary data streams whose concept drifts (market phases) are so
important to affect investment decisions worldwide. This paper studies how
concept drift detectors behave when applied to financial time series. General
results are: a) concept drift detectors usually improve the runtime over
continuous learning, b) their computational cost is usually a fraction of the
learning and prediction steps of even basic learners, c) it is important to
study concept drift detectors in combination with the learning systems they
will operate with, and d) concept drift detectors can be directly applied to
the time series of raw financial data and not only to the model's accuracy one.
Moreover, the study introduces three simple concept drift detectors, tailored
to financial time series, and shows that two of them can be at least as
effective as the most sophisticated ones from the state of the art when applied
to financial time series.
- Abstract(参考訳): 概念ドリフト検出器は、学習システムが静止しないデータストリームの精度を維持することができる。
金融時系列(Financial time series)は、世界の投資決定に影響を及ぼす上で、概念の漂流(市場フェーズ)が極めて重要である非定常データストリームの例である。
本稿では,金融時系列に適用した場合のドリフト検出器の挙動について考察する。
a) 概念ドリフト検出器は通常、連続学習よりも実行時間を改善するb) 計算コストは通常、基礎学習者の学習と予測のステップのごく一部であり、c) 概念ドリフト検出器をそれらが操作する学習システムと組み合わせて研究することが重要であり、d) 概念ドリフト検出器は、モデルの正確性だけでなく、生の財務データの時系列に直接適用することができる。
さらに、金融時系列に合わせた3つの簡単なコンセプトドリフト検出器を導入し、これらのうち2つは金融時系列に適用した場合の最先端技術に匹敵する効果があることを示した。
関連論文リスト
- Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳(メタデータ) (2023-09-13T17:55:11Z) - DIVERSIFY: A General Framework for Time Series Out-of-distribution
Detection and Generalization [58.704753031608625]
時系列は、機械学習研究における最も困難なモダリティの1つである。
時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。
時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
論文 参考訳(メタデータ) (2023-08-04T12:27:11Z) - Are Concept Drift Detectors Reliable Alarming Systems? -- A Comparative
Study [6.7961908135481615]
コンセプトドリフト(concept drift)またはコンセプトドリフト(concept drift)は、機械学習モデルのパフォーマンスに影響を与える。
本研究では, ドリフト検出装置の信頼性を評価し, 時間内ドリフトの同定を行う。
本研究の目的は,ドリフト検出器がどの状況で使用されるべきかを,実践者が理解できるようにすることである。
論文 参考訳(メタデータ) (2022-11-23T16:31:15Z) - ST-P3: End-to-end Vision-based Autonomous Driving via Spatial-Temporal
Feature Learning [132.20119288212376]
本稿では,認識,予測,計画タスクを同時に行うための,より代表的な特徴の集合に対する時空間的特徴学習手法を提案する。
私たちの知識を最大限に活用するために、私たちは、解釈可能なエンドツーエンドの自動運転システムの各部分を体系的に調査した最初の人です。
論文 参考訳(メタデータ) (2022-07-15T16:57:43Z) - Understanding Model Drift in a Large Cellular Network [9.323853587087457]
コンセプトドリフトは、時間の経過とともに機械学習モデルの精度を低下させる。
本稿では,米国における大規模携帯電話ネットワークにおける需要予測の文脈において,大都市圏におけるコンセプトドリフトについて検討する。
概念のドリフトは、主にデータドリフトによって発生し、異なるキーパフォーマンスインジケータ(KPI)、モデル、トレーニングセットサイズ、時間間隔にまたがって現れる。
論文 参考訳(メタデータ) (2021-09-07T11:57:07Z) - Detecting Concept Drift With Neural Network Model Uncertainty [0.0]
不確実ドリフト検出(UDD)は、真のラベルにアクセスすることなくドリフトを検出することができる。
入力データに基づくドリフト検出とは対照的に,現在の入力データが予測モデルの特性に与える影響を考察する。
UDDは2つの合成および10の実世界のデータセットにおいて、回帰処理と分類処理の両方において、他の最先端戦略よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-07-05T08:56:36Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳(メタデータ) (2021-05-20T17:52:37Z) - Out-of-Distribution Detection for Automotive Perception [58.34808836642603]
ニューラルネットワーク(NN)は、自律運転におけるオブジェクト分類に広く使われている。
NNは、アウト・オブ・ディストリビューション(OOD)データとして知られるトレーニングデータセットで適切に表現されていない入力データでフェールすることができる。
本稿では,OODデータを必要としない入力がOODであるか否かを判定し,推論の計算コストを増大させる方法を提案する。
論文 参考訳(メタデータ) (2020-11-03T01:46:35Z) - Real-time Out-of-distribution Detection in Learning-Enabled
Cyber-Physical Systems [1.4213973379473654]
サイバー物理システムは、現実世界の不確実性と可変性を処理できる機械学習コンポーネントを使用することで恩恵を受ける。
しかし、ディープニューラルネットワークは、システムの安全性に影響を及ぼす可能性のある、新しいタイプのハザードを導入している。
アウト・オブ・ディストリビューションデータは大きなエラーを引き起こし、安全性を損なう可能性がある。
論文 参考訳(メタデータ) (2020-01-28T17:51:07Z)
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。