論文の概要: Meta contrastive label correction for financial time series

• arxiv url: http://arxiv.org/abs/2303.08103v1
• Date: Thu, 9 Mar 2023 08:20:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-19 11:37:58.326585
• Title: Meta contrastive label correction for financial time series
• Title（参考訳）: 金融時系列におけるメタコントラストラベル補正
• Authors: Luxuan Yang, Ting Gao, Min Dai, Yubin Lu, Wei Wei, Cheng Fang, Yufu Lan, Jinqiao Duan
• Abstract要約: 事前定義されたラベル付け規則の下では、ストックムーブメントの方向性を正確に予測することは困難である。 提案手法は,ノイズの多い時系列パターンに対して,正しいラベルを自動生成する。 その結果,本手法はベンチマークと比較すると競争力が高く,性能も優れていた。
• 参考スコア（独自算出の注目度）: 9.757901920903343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Financial applications such as stock price forecasting, usually face an issue that under the predefined labeling rules, it is hard to accurately predict the directions of stock movement. This is because traditional ways of labeling, taking Triple Barrier Method, for example, usually gives us inaccurate or even corrupted labels. To address this issue, we focus on two main goals. One is that our proposed method can automatically generate correct labels for noisy time series patterns, while at the same time, the method is capable of boosting classification performance on this new labeled dataset. Based on the aforementioned goals, our approach has the following three novelties: First, we fuse a new contrastive learning algorithm into the meta-learning framework to estimate correct labels iteratively when updating the classification model inside. Moreover, we utilize images generated from time series data through Gramian angular field and representative learning. Most important of all, we adopt multi-task learning to forecast temporal-variant labels. In the experiments, we work on 6% clean data and the rest unlabeled data. It is shown that our method is competitive and outperforms a lot compared with benchmarks.
• Abstract（参考訳）: 株価予測などの金融アプリケーションは通常、事前に定義されたラベル付け規則の下では、株価の動きの方向を正確に予測することは困難である。 これは、トリプルバリアメソッドを例に挙げる従来のラベリング方法が、通常、不正確なラベルや破損したラベルを与えるためです。 この問題に対処するため、私たちは2つの主要な目標に焦点を合わせます。 1つは,提案手法がノイズ時系列パターンに対する正しいラベルを自動的に生成できると同時に,このラベル付きデータセットの分類性能を向上させることができることを示す。 まず、メタ学習フレームワークに新しいコントラスト学習アルゴリズムを融合させ、内部で分類モデルを更新する際に正しいラベルを反復的に推定する。 さらに,時系列データから生成した画像は,グラミアン角場と代表学習を通して活用する。 最も重要なことは、時間変動ラベルを予測するためにマルチタスク学習を採用することである。 実験では、6%のクリーンデータと残りのラベルなしデータに取り組んでいる。 その結果,本手法はベンチマークと比較すると競争力が高く,性能も優れていた。

関連論文リスト

• Efficient Grammatical Error Correction Via Multi-Task Training and Optimized Training Schedule [55.08778142798106]
  原文と修正文のアライメントを利用する補助タスクを提案する。 我々は,各タスクをシーケンス・ツー・シーケンス問題として定式化し,マルチタスク・トレーニングを行う。 トレーニングに使用されるデータセットの順序や、データセット内の個々のインスタンスでさえ、最終的なパフォーマンスに重要な影響を与える可能性があることが分かりました。
  論文  参考訳（メタデータ） (2023-11-20T14:50:12Z)
• Improving Zero-Shot Models with Label Distribution Priors [33.51714665243138]
  本稿では,ゼロショットモデルを適用した新しいアプローチであるCLIPPRを提案する。 UTK年齢回帰作業における平均絶対誤差は平均28%改善した。 また、分類ベンチマークの有望な結果を示し、ラベルを使わずにImageNetデータセットの分類精度を2.83%改善した。
  論文  参考訳（メタデータ） (2022-12-01T18:59:03Z)
• SEAL : Interactive Tool for Systematic Error Analysis and Labeling [26.803598323167382]
  本稿では,インタラクティブなシステムエラー解析とラベル付け(シール)ツールを提案する。 2段階のアプローチで、まずデータの高いエラースライスを識別し、2段階目では、人間が理解できないセマンティクスを、不適切なスライスに与える方法を紹介します。 本稿では,言語モデルを用いたセマンティックラベリングと視覚特徴生成のためのテキスト・ツー・イメージモデルを用いて,エラーグループに対するコヒーレントなセマンティクスを考案する手法について検討する。
  論文  参考訳（メタデータ） (2022-10-11T23:51:44Z)
• Active Learning by Feature Mixing [52.16150629234465]
  本稿では,ALFA-Mixと呼ばれるバッチ能動学習手法を提案する。 予測の不整合を求めることにより,不整合な特徴を持つインスタンスを同定する。 これらの予測の不整合は、モデルが未認識のインスタンスで認識できない特徴を発見するのに役立ちます。
  論文  参考訳（メタデータ） (2022-03-14T12:20:54Z)
• DapStep: Deep Assignee Prediction for Stack Trace Error rePresentation [61.99379022383108]
  本稿では,バグトリアージ問題を解決するための新しいディープラーニングモデルを提案する。 モデルは、注目された双方向のリカレントニューラルネットワークと畳み込みニューラルネットワークに基づいている。 ランキングの質を向上させるために,バージョン管理システムのアノテーションから追加情報を利用することを提案する。
  論文  参考訳（メタデータ） (2022-01-14T00:16:57Z)
• Cross-Model Pseudo-Labeling for Semi-Supervised Action Recognition [98.25592165484737]
  CMPL(Cross-Model Pseudo-Labeling)と呼ばれる,より効果的な擬似ラベル方式を提案する。 CMPLは、それぞれRGBモダリティとラベル付きデータのみを使用して、Kinetics-400とUCF-101のTop-1の精度を17.6%と25.1%で達成している。
  論文  参考訳（メタデータ） (2021-12-17T18:59:41Z)
• Towards Good Practices for Efficiently Annotating Large-Scale Image Classification Datasets [90.61266099147053]
  多数の画像の分類ラベルを収集するための効率的なアノテーション戦略を検討する。 人間のラベリング作業を最小化するための修正とベストプラクティスを提案します。 ImageNet100の125kイメージサブセットのシミュレーション実験では、平均で0.35のアノテーションで80%のトップ-1の精度でアノテートできることが示されている。
  論文  参考訳（メタデータ） (2021-04-26T16:29:32Z)
• How to distribute data across tasks for meta-learning? [59.608652082495624]
  タスクごとのデータポイントの最適な数は予算に依存しますが、それは大きな予算のためのユニークな一定の値に収束します。 この結果から,データ収集の簡便かつ効率的な手順が示唆された。
  論文  参考訳（メタデータ） (2021-03-15T15:38:47Z)
• Meta-Regularization by Enforcing Mutual-Exclusiveness [0.8057006406834467]
  本稿では,メタ学習時の情報フローをモデル設計者が制御できるように,メタ学習モデルの正規化手法を提案する。 提案した正規化関数は,Omniglotデータセット上で$sim$$36%の精度向上を示す。
  論文  参考訳（メタデータ） (2021-01-24T22:57:19Z)
• Concept Drift and Covariate Shift Detection Ensemble with Lagged Labels [22.826118321715455]
  変更を検出し、モデルを再訓練することが重要です。 1) 分類誤り率のみを信号として使用すること,2) サンプルから特徴が受信された後に真実ラベルがすぐに利用可能であると仮定すること,3) 変更時にモデルの再トレーニングに使用するデータを決定することができないこと,の3つの弱点がある。 まず,6つの異なる信号を用いてデータの特徴を広範囲に把握し,ラベルのラグを許容し,ラグ後に対応する特徴のラベルを受信することで,第2の問題を解決する。 第3の問題として,提案手法は再トレーニングに使用するデータを自動的に決定する。
  論文  参考訳（メタデータ） (2020-12-08T21:57:05Z)

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。