Fugu-MT 論文翻訳(概要): Agent market orders representation through a contrastive learning approach

論文の概要: Agent market orders representation through a contrastive learning approach

arxiv url: http://arxiv.org/abs/2306.05987v1
Date: Fri, 9 Jun 2023 15:56:06 GMT
ステータス: 処理完了
システム内更新日: 2023-06-12 12:41:34.979333
Title: Agent market orders representation through a contrastive learning approach
Title（参考訳）: 対照的学習アプローチによるエージェント市場秩序表現
Authors: Ruihua Ruan, Emmanuel Bacry, Jean-Fran\c{c}ois Muzy
Abstract要約: エージェント市場注文の表現を学習するために,三重項損失を用いた自己教師型学習モデルを構築した。本研究では,エージェントオーダの学習表現ベクトルにK平均クラスタリングアルゴリズムを適用し,各クラスタ内の異なる動作タイプを識別する。
参考スコア（独自算出の注目度）: 1.521162809610347
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Due to the access to the labeled orders on the CAC40 data from Euronext, we are able to analyse agents' behaviours in the market based on their placed orders. In this study, we construct a self-supervised learning model using triplet loss to effectively learn the representation of agent market orders. By acquiring this learned representation, various downstream tasks become feasible. In this work, we utilise the K-means clustering algorithm on the learned representation vectors of agent orders to identify distinct behaviour types within each cluster.
Abstract（参考訳）: ユーロネクストからのCAC40データのラベル付き注文へのアクセスにより、我々は注文された注文に基づいて市場のエージェントの行動を分析することができる。本研究では,三重項損失を用いた自己教師型学習モデルを構築し,エージェント市場注文の表現を効果的に学習する。この学習された表現を取得することで、様々な下流タスクが実現可能である。本研究では,k-meansクラスタリングアルゴリズムをエージェント順序の学習表現ベクトル上で活用し,クラスタ内の異なる振る舞いタイプを同定する。

関連論文リスト

Strategic Classification With Externalities [11.36782598786846]
戦略分類問題の新しい変種を提案する。実世界のアプリケーションによって動機づけられた我々のモデルは、あるエージェントの操作が他のエージェントに影響を与えることを決定的に許している。特定の仮定の下では、このエージェント操作ゲームの純粋なナッシュ平衡はユニークであり、効率的に計算できることが示される。
論文参考訳（メタデータ） (2024-10-10T15:28:04Z)
Liquid Ensemble Selection for Continual Learning [5.880273374889066]
継続的学習は、機械学習モデルが、すでに学んだことを忘れずに、シフトするデータ分布から継続的に学習できるようにすることを目的としている。アンサンブル内のどのモデルを任意のデータで学習し、どのモデルを予測すべきかという問題に対処する。
論文参考訳（メタデータ） (2024-05-12T16:33:48Z)
MA2CL:Masked Attentive Contrastive Learning for Multi-Agent Reinforcement Learning [128.19212716007794]
我々はtextbfMulti-textbfAgent textbfMasked textbfAttentive textbfContrastive textbfLearning (MA2CL) という効果的なフレームワークを提案する。 MA2CLは、潜伏空間におけるマスクされたエージェント観察を再構築することにより、時間的およびエージェントレベルの予測の両方の学習表現を奨励する。提案手法は,様々なMARLアルゴリズムの性能とサンプル効率を大幅に向上させ,様々な視覚的,状態的シナリオにおいて,他の手法よりも優れる。
論文参考訳（メタデータ） (2023-06-03T05:32:19Z)
Homomorphism Autoencoder -- Learning Group Structured Representations from Observed Transitions [51.71245032890532]
本研究では,世界に作用するエージェントが,それを修飾する動作と整合した感覚情報の内部表現を学習できるようにする手法を提案する。既存の作業とは対照的に、我々のアプローチはグループの事前の知識を必要とせず、エージェントが実行可能なアクションのセットを制限しない。
論文参考訳（メタデータ） (2022-07-25T11:22:48Z)
Beyond Rewards: a Hierarchical Perspective on Offline Multiagent Behavioral Analysis [14.656957226255628]
本稿では,マルチエージェント領域における行動クラスタの発見のためのモデルに依存しない手法を提案する。我々のフレームワークはエージェントの基盤となる学習アルゴリズムを前提とせず、潜伏状態やモデルへのアクセスを必要とせず、完全にオフラインで観察データを使って訓練することができる。
論文参考訳（メタデータ） (2022-06-17T23:07:33Z)
Using Representation Expressiveness and Learnability to Evaluate Self-Supervised Learning Methods [61.49061000562676]
本稿では,学習可能性を評価するためにCluster Learnability (CL)を導入する。 CLは、K-meansで表現をクラスタリングすることによって得られたラベルを予測するために訓練されたKNNのパフォーマンスで測定される。 CLは、他の競合する評価手法よりも分布内モデルの性能と相関することがわかった。
論文参考訳（メタデータ） (2022-06-02T19:05:13Z)
Explaining Reinforcement Learning Policies through Counterfactual Trajectories [147.7246109100945]
人間の開発者は、RLエージェントがテスト時にうまく機能することを検証しなければならない。本手法では, エージェントの挙動をより広い軌道分布で示すことにより, エージェントの挙動を分布変化下で表現する。本研究では,2つのエージェント検証タスクのうちの1つに対して,ベースライン法よりも優れたスコアを得られることを示す。
論文参考訳（メタデータ） (2022-01-29T00:52:37Z)
AutoTransfer: Subject Transfer Learning with Censored Representations on Biosignals Data [22.93167079308927]
独立の代案として,相互情報を用いた3つの独立概念とそれに対応する罰則を導入する。各ペナルティ項に対して、分析手法とニューラル評論家関数を用いて、いくつかの具体的な推定アルゴリズムを提供する。脳波,EMG,ECoGデータセットにおけるこれらの個別正規化戦略とオートトランスファー法の性能評価を行った。
論文参考訳（メタデータ） (2021-12-17T22:35:39Z)
Integrating Auxiliary Information in Self-supervised Learning [94.11964997622435]
まず、補助情報がデータ構造に関する有用な情報をもたらす可能性があることを観察する。補助情報に基づいてデータクラスタを構築する。我々はCl-InfoNCEがデータクラスタリング情報を活用するためのより良いアプローチであることを示した。
論文参考訳（メタデータ） (2021-06-05T11:01:15Z)
Conditional Meta-Learning of Linear Representations [57.90025697492041]
表現学習のための標準メタラーニングは、複数のタスク間で共有される共通の表現を見つけることを目的とする。本研究では,タスクの側情報を手作業に適した表現にマッピングし,条件付け関数を推定することで,この問題を克服する。この利点を実用的に活用できるメタアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-30T12:02:14Z)
Improved Structural Discovery and Representation Learning of Multi-Agent Data [5.40729975786985]
本稿では,構造化マルチエージェントデータのロバストな順序付けを行う動的アライメント手法を提案する。プロリーグからの大量のサッカー追跡データを用いて,このアプローチの価値を実証する。
論文参考訳（メタデータ） (2019-12-30T22:49:55Z)

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。