論文の概要: Generative Meta-Learning Robust Quality-Diversity Portfolio
- arxiv url: http://arxiv.org/abs/2307.07811v1
- Date: Sat, 15 Jul 2023 14:20:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 17:49:27.489353
- Title: Generative Meta-Learning Robust Quality-Diversity Portfolio
- Title（参考訳）: メタラーニングロバスト質多様性ポートフォリオ
- Authors: Kamer Ali Yuksel
- Abstract要約: 本稿では,ロバストなポートフォリオアンサンブルを最適化するメタラーニング手法を提案する。
この方法は、深層生成モデルを用いて、多種多様な高品質のサブポートフォリオを生成し、アンサンブルポートフォリオを形成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes a novel meta-learning approach to optimize a robust
portfolio ensemble. The method uses a deep generative model to generate diverse
and high-quality sub-portfolios combined to form the ensemble portfolio. The
generative model consists of a convolutional layer, a stateful LSTM module, and
a dense network. During training, the model takes a randomly sampled batch of
Gaussian noise and outputs a population of solutions, which are then evaluated
using the objective function of the problem. The weights of the model are
updated using a gradient-based optimizer. The convolutional layer transforms
the noise into a desired distribution in latent space, while the LSTM module
adds dependence between generations. The dense network decodes the population
of solutions. The proposed method balances maximizing the performance of the
sub-portfolios with minimizing their maximum correlation, resulting in a robust
ensemble portfolio against systematic shocks. The approach was effective in
experiments where stochastic rewards were present. Moreover, the results (Fig.
1) demonstrated that the ensemble portfolio obtained by taking the average of
the generated sub-portfolio weights was robust and generalized well. The
proposed method can be applied to problems where diversity is desired among
co-optimized solutions for a robust ensemble. The source-codes and the dataset
are in the supplementary material.
- Abstract（参考訳）: 本稿では,ロバストなポートフォリオアンサンブルを最適化するメタラーニング手法を提案する。
この方法は深層生成モデルを用いて多様で高品質なサブポートフォリオを合成し、アンサンブルポートフォリオを形成する。
生成モデルは、畳み込み層、ステートフルLSTMモジュール、および高密度ネットワークから構成される。
トレーニング中、モデルはランダムにサンプリングされたガウスノイズのバッチを取得し、解の集団を出力し、問題の目的関数を用いて評価する。
モデルの重みは勾配ベースのオプティマイザを使って更新される。
畳み込み層はノイズを遅延空間の所望の分布に変換する一方、LSTMモジュールは世代間依存を追加する。
密度の高いネットワークは解の人口をデコードする。
提案手法は, サブポートフォリオの性能を最大化し, 最大相関を最小化することで, 系統的ショックに対するロバストなアンサンブルポートフォリオを実現する。
この手法は確率的報酬が存在する実験に有効であった。
さらに, 実験結果(第1報)は, 生成したサブポートフォリオ重量の平均値から得られるアンサンブルポートフォリオが頑健であり, 一般化可能であることを示した。
提案手法は,ロバストアンサンブルのための共最適化解の多様性を求める問題に適用できる。
ソースコードとデータセットは補足材料に含まれる。
関連論文リスト
- DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。
拡散生成モデルの本質的な分布学習を利用して高品質な解を学習する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-13T07:56:21Z) - Expensive Multi-Objective Bayesian Optimization Based on Diffusion Models [17.19004913553654]
多目的ベイズ最適化(MOBO)は、様々な高価な多目的最適化問題(EMOP)において有望な性能を示した。
高価なMOBOのための合成拡散モデルに基づくパレートセット学習アルゴリズム,すなわちCDM-PSLを提案する。
提案アルゴリズムは,様々な最先端MOBOアルゴリズムと比較して優れた性能が得られる。
論文 参考訳（メタデータ） (2024-05-14T14:55:57Z) - FissionFusion: Fast Geometric Generation and Hierarchical Souping for Medical Image Analysis [0.7751705157998379]
十分に注釈付けされた医療データセットの不足は、ImageNetのような広範なデータセットやCLIPのような事前訓練されたモデルからの移行学習を活用する必要がある。
モデルスープは、In-Domain(ID)タスクのパフォーマンスを改善し、out-of-Distribution(OOD)データセットに対する堅牢性を高めることを目的とした、複数の微調整されたモデルの平均である。
本稿では,様々なレベルのモデルの局所的および大域的集約を伴う階層的統合手法を提案する。
論文 参考訳（メタデータ） (2024-03-20T06:48:48Z) - Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳（メタデータ） (2024-03-03T04:21:21Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - Image Generation with Multimodal Priors using Denoising Diffusion
Probabilistic Models [54.1843419649895]
このタスクを達成するために生成モデルを使用する際の大きな課題は、すべてのモダリティと対応する出力を含むペアデータの欠如である。
本稿では,拡散確率的合成モデルに基づく多モデル先行画像生成手法を提案する。
論文 参考訳（メタデータ） (2022-06-10T12:23:05Z) - Learning to Solve Routing Problems via Distributionally Robust
Optimization [14.506553345693536]
ルーティング問題を解決するための最近のディープモデルでは、トレーニング用のノードの単一分布が想定されており、分散一般化能力を著しく損なう。
この問題に対処するために、群分布的ロバストな最適化(グループDRO)を活用し、異なる分布群に対する重み付けと深層モデルのパラメータを、トレーニング中にインターリーブされた方法で共同で最適化する。
また、畳み込みニューラルネットワークに基づくモジュールを設計し、ディープモデルがノード間のより情報に富んだ潜在パターンを学習できるようにする。
論文 参考訳（メタデータ） (2022-02-15T08:06:44Z) - Deep Variational Models for Collaborative Filtering-based Recommender
Systems [63.995130144110156]
ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。
提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。
提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
論文 参考訳（メタデータ） (2021-07-27T08:59:39Z) - Expected Information Maximization: Using the I-Projection for Mixture
Density Estimation [22.096148237257644]
高度にマルチモーダルなデータのモデリングは、機械学習において難しい問題である。
我々は,予測情報最大化(EIM)と呼ばれる新しいアルゴリズムを提案する。
我々のアルゴリズムは最近のGANアプローチよりもI射影の計算に効果的であることを示す。
論文 参考訳（メタデータ） (2020-01-23T17:24:50Z)
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。