Fugu-MT 論文翻訳(概要): Risk of Transfer Learning and its Applications in Finance

論文の概要: Risk of Transfer Learning and its Applications in Finance

arxiv url: http://arxiv.org/abs/2311.03283v1
Date: Mon, 6 Nov 2023 17:23:54 GMT
ステータス: 処理完了
システム内更新日: 2023-11-07 13:37:09.763633
Title: Risk of Transfer Learning and its Applications in Finance
Title（参考訳）: 振替学習のリスクとその金融への応用
Authors: Haoyang Cao, Haotian Gu, Xin Guo and Mathieu Rosenbaum
Abstract要約: 本稿では,トランスファーリスクの新たな概念を提案し,その特性を分析し,トランスファー学習のトランスファー可能性を評価する。数値計算の結果,伝達リスクと全体の伝達学習性能との間に強い相関関係が認められた。
参考スコア（独自算出の注目度）: 2.966069495345018
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Transfer learning is an emerging and popular paradigm for utilizing existing knowledge from previous learning tasks to improve the performance of new ones. In this paper, we propose a novel concept of transfer risk and and analyze its properties to evaluate transferability of transfer learning. We apply transfer learning techniques and this concept of transfer risk to stock return prediction and portfolio optimization problems. Numerical results demonstrate a strong correlation between transfer risk and overall transfer learning performance, where transfer risk provides a computationally efficient way to identify appropriate source tasks in transfer learning, including cross-continent, cross-sector, and cross-frequency transfer for portfolio optimization.
Abstract（参考訳）: トランスファーラーニング(Transfer Learning)は、従来の学習タスクから既存の知識を活用して、新しい学習のパフォーマンスを向上させるための、新しくて一般的なパラダイムである。本稿では,トランスファーリスクの新たな概念を提案し,その特性を分析し,トランスファー学習のトランスファー可能性を評価する。本稿では,移動学習手法と移動リスクの概念をストックリターン予測やポートフォリオ最適化問題に適用する。そこでは、ポートフォリオ最適化のためのクロスコンチネント、クロスセクタ、クロス周波数転送を含む、転送学習における適切なソースタスクを特定するための計算的に効率的な方法が提供される。

関連論文リスト

Transfer Learning for Portfolio Optimization [4.031388559887924]
本稿では,トランスファー学習の最適化フレームワークとして,トランスファーリスク(transfer risk)という新しい概念を導入する。クロスコンチネント転送,クロスセクタ転送,クロス周波数転送の3つのカテゴリから,一連の数値実験を行う。
論文参考訳（メタデータ） (2023-07-25T14:48:54Z)
Feasibility of Transfer Learning: A Mathematical Framework [4.530876736231948]
それは、必要な数学的概念を確立し、伝達学習のための数学的枠組みを構築することから始まる。そして、3段階の転送学習手順を最適化問題として特定・定式化し、実現可能性問題の解決を可能にする。
論文参考訳（メタデータ） (2023-05-22T12:44:38Z)
Feasibility and Transferability of Transfer Learning: A Mathematical Framework [4.031388559887924]
我々は、転送学習の一般的な手順のための数学的枠組みを初めて構築する。また、トランスファー学習のトランスファー可能性を評価するために、トランスファーリスクという新しい概念を提案する。
論文参考訳（メタデータ） (2023-01-27T05:54:53Z)
Transferred Q-learning [79.79659145328856]
我々は、目標強化学習(RL)タスクのサンプルと、異なるが関連するRLタスクのソースサンプルを用いて、知識伝達を伴うQ$ラーニングについて検討する。オフラインのソーススタディを用いたバッチとオンラインの$Q$ラーニングのためのトランスファー学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-02-09T20:08:19Z)
On Transferability of Prompt Tuning for Natural Language Understanding [63.29235426932978]
タスクやモデル間でのソフトプロンプトの転送可能性について検討する。訓練されたソフトプロンプトは、同様のタスクにうまく移行し、PTを初期化してトレーニングを加速し、パフォーマンスを向上させることができる。以上の結果から,知識伝達によるPTの改善は可能で有望であり,プロンプトのクロスタスク転送性はクロスモデル転送性よりも良好であることが示唆された。
論文参考訳（メタデータ） (2021-11-12T13:39:28Z)
Frustratingly Easy Transferability Estimation [64.42879325144439]
本稿では,TransRate という,シンプルで効率的かつ効果的な転送可能性尺度を提案する。 TransRateは、事前訓練されたモデルによって抽出された対象サンプルの特徴とそれらのラベルとの間の相互情報として、転送可能性を測定する。 10行のコードで並外れた単純さにもかかわらず、TransRateは、22の事前訓練されたモデルと16のダウンストリームタスクに対する広範囲な評価において、非常にうまく機能している。
論文参考訳（メタデータ） (2021-06-17T10:27:52Z)
Unsupervised Transfer Learning for Spatiotemporal Predictive Networks [90.67309545798224]
我々は、教師なし学習されたモデルの動物園から別のネットワークへ知識を伝達する方法を研究する。私たちのモチベーションは、モデルは異なるソースからの複雑なダイナミクスを理解することが期待されていることです。提案手法は,時間的予測のための3つのベンチマークで大幅に改善され,重要度が低いベンチマークであっても,ターゲットのメリットが得られた。
論文参考訳（メタデータ） (2020-09-24T15:40:55Z)
What is being transferred in transfer learning? [51.6991244438545]
事前訓練した重量からトレーニングを行うと、モデルは損失景観の同じ流域に留まることを示す。事前学習した重みからトレーニングする場合、モデルは損失ランドスケープの同じ流域に留まり、そのようなモデルの異なるインスタンスは特徴空間と類似しており、パラメータ空間は近接している。
論文参考訳（メタデータ） (2020-08-26T17:23:40Z)
Uncovering the Connections Between Adversarial Transferability and Knowledge Transferability [27.65302656389911]
我々は,知識伝達可能性と敵対的伝達可能性の関連性を分析し,実証する。我々の理論的研究は、対向移動可能性は知識伝達可能性を示し、その逆であることを示している。多様なデータセットの様々なシナリオに対する広範な実験を行い、対向移動可能性と知識伝達可能性との正の相関を示す。
論文参考訳（メタデータ） (2020-06-25T16:04:47Z)
Limits of Transfer Learning [0.0]
我々は、転送する情報の集合を慎重に選択する必要性と、転送される情報とターゲット問題との依存関係の必要性を示す。これらの結果は、機械学習のためのアルゴリズム検索フレームワークの上に構築され、転送を用いた幅広い学習問題に適用できる。
論文参考訳（メタデータ） (2020-06-23T01:48:23Z)
Transfer Heterogeneous Knowledge Among Peer-to-Peer Teammates: A Model Distillation Approach [55.83558520598304]
本研究は, モデル蒸留により, 複数の学生間で経験と伝達値関数を再利用する新しい手法を提案する。また、異種知識を活用するための効率的な通信プロトコルの設計方法について述べる。提案するフレームワークである学習・指導カテゴリー強化は,学習の進捗を安定化・加速する上で有望な性能を示す。
論文参考訳（メタデータ） (2020-02-06T11:31:04Z)

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。