論文の概要: Coevolution of Neural Architectures and Features for Stock Market
Forecasting: A Multi-objective Decision Perspective
- arxiv url: http://arxiv.org/abs/2311.14053v1
- Date: Thu, 23 Nov 2023 15:12:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-27 23:16:44.072634
- Title: Coevolution of Neural Architectures and Features for Stock Market
Forecasting: A Multi-objective Decision Perspective
- Title（参考訳）: 株式市場予測のためのニューラルアーキテクチャと特徴の共進化--多目的意思決定の観点から
- Authors: Faizal Hafiz and Jan Broekaert and Davide La Torre and Akshya Swain
- Abstract要約: 本稿では、意思決定者によるさらなる選択のために、非支配的ニューラルネットワークモデルの集合を同定するための新しいアプローチを提案する。
ニューラルネットワークの特徴とトポロジを同時に選択するための新しい共進化手法を提案する。
その結果、NASDAQ指数は、近日・近日・近日・近日・近日・近日・遠日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・近日・
- 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: In a multi objective setting, a portfolio manager's highly consequential
decisions can benefit from assessing alternative forecasting models of stock
index movement. The present investigation proposes a new approach to identify a
set of nondominated neural network models for further selection by the decision
maker. A new coevolution approach is proposed to simultaneously select the
features and topology of neural networks (collectively referred to as neural
architecture), where the features are viewed from a topological perspective as
input neurons. Further, the coevolution is posed as a multicriteria problem to
evolve sparse and efficacious neural architectures. The well known dominance
and decomposition based multiobjective evolutionary algorithms are augmented
with a nongeometric crossover operator to diversify and balance the search for
neural architectures across conflicting criteria. Moreover, the coevolution is
augmented to accommodate the data based implications of distinct market
behaviors prior to and during the ongoing COVID 19 pandemic. A detailed
comparative evaluation is carried out with the conventional sequential approach
of feature selection followed by neural topology design, as well as a
scalarized coevolution approach. The results on the NASDAQ index in pre and
peri COVID time windows convincingly demonstrate that the proposed coevolution
approach can evolve a set of nondominated neural forecasting models with better
generalization capabilities.
- Abstract（参考訳）: 多目的設定では、ポートフォリオマネージャの極めて連続的な決定は、ストックインデックス運動の代替予測モデルを評価することの恩恵を受けることができる。
本研究は、意思決定者によるさらなる選択のための、非支配的なニューラルネットワークモデルセットを特定するための新しいアプローチを提案する。
ニューラルネットワークの特徴とトポロジを同時に選択する新たな共進化的手法が提案され、トポロジ的観点から入力ニューロンとみなす。
さらに、共進化はスパースで効率的な神経アーキテクチャを進化させるための多重基準問題として提起される。
よく知られた支配と分解に基づく多目的進化アルゴリズムは、非幾何学的クロスオーバー演算子で拡張され、矛盾する基準を越えてニューラルネットワークの探索を多様化しバランスをとる。
さらに、進行中のcovid-19パンデミック(covid-19)の前後における、異なる市場の行動に関するデータに基づく影響に対応するために、共進化が強化されている。
特徴選択の従来の逐次的アプローチとニューラルトポロジー設計,スカラー化共進化アプローチを用いて,詳細な比較評価を行った。
nasdaq index in pre and peri covid time windowsの結果は、提案された共進化アプローチが、より一般化能力のある非支配的な神経予測モデルの集合を進化させることができることを説得力をもって証明している。
関連論文リスト
- AD-NEv++ : The multi-architecture neuroevolution-based multivariate anomaly detection framework [0.794682109939797]
異常検出ツールと方法は、現代のサイバー物理およびセンサーベースのシステムにおいて重要な分析機能を可能にする。
我々は,サブスペース進化,モデル進化,微調整を相乗的に組み合わせた3段階の神経進化に基づくAD-NEv++を提案する。
我々は、AD-NEv++が全ての異常検出ベンチマークにおいて最先端のGNN(Graph Neural Networks)モデルアーキテクチャを改善し、性能を向上できることを示す。
論文 参考訳（メタデータ） (2024-03-25T08:40:58Z) - Manipulating Feature Visualizations with Gradient Slingshots [54.31109240020007]
本稿では,モデルの決定過程に大きな影響を及ぼすことなく,特徴可視化(FV)を操作する新しい手法を提案する。
ニューラルネットワークモデルにおける本手法の有効性を評価し,任意の選択したニューロンの機能を隠蔽する能力を示す。
論文 参考訳（メタデータ） (2024-01-11T18:57:17Z) - Continuous Cartesian Genetic Programming based representation for
Multi-Objective Neural Architecture Search [12.545742558041583]
我々は、より複雑で高効率な畳み込みニューラルネットワーク(CNN)を設計するための新しいアプローチを提案する。
我々のアプローチは、ニューラルネットワーク探索(NAS)のためのカルテシアン遺伝的プログラミング(CGP)に基づく実ベースCNNとブロックチェーンCNNの表現を組み合わせたものである。
それらが考慮する探索空間の粒度が異なる2つの変種が導入された。
論文 参考訳（メタデータ） (2023-06-05T07:32:47Z) - Multiobjective Evolutionary Pruning of Deep Neural Networks with
Transfer Learning for improving their Performance and Robustness [15.29595828816055]
本研究は,多目的進化解析アルゴリズムMO-EvoPruneDeepTLを提案する。
我々は、トランスファーラーニングを使用して、遺伝的アルゴリズムによって進化したスパース層に置き換えることで、ディープニューラルネットワークの最後の層を適応します。
実験の結果,提案手法は全ての目的に対して有望な結果が得られ,直接的な関係が示された。
論文 参考訳（メタデータ） (2023-02-20T19:33:38Z) - Understanding Neural Coding on Latent Manifolds by Sharing Features and
Dividing Ensembles [3.625425081454343]
システム神経科学は、単一ニューロンのチューニング曲線と集団活動の分析を特徴とする2つの相補的な神経データ観に依存している。
これらの2つの視点は、潜伏変数とニューラルアクティビティの関係を制約するニューラル潜伏変数モデルにおいてエレガントに結合する。
ニューラルチューニング曲線にまたがる機能共有を提案し、性能を大幅に改善し、より良い最適化を実現する。
論文 参考訳（メタデータ） (2022-10-06T18:37:49Z) - A Multi-criteria Approach to Evolve Sparse Neural Architectures for
Stock Market Forecasting [0.0]
本研究は, 市場指標の移動予測のための, 効率的かつ同相なニューラルアーキテクチャを進化させる新しい枠組みを提案する。
新しい探索パラダイムである2次元スワム (2DS) が, マルチ基準ニューラルアーキテクチャサーチのために提案されている。
本研究の結果は,提案手法がより優れた一般化能力を持つ同相ネットワークを進化させることができることを示すものである。
論文 参考訳（メタデータ） (2021-11-15T19:44:10Z) - Epigenetic evolution of deep convolutional models [81.21462458089142]
我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。
異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。
提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
論文 参考訳（メタデータ） (2021-04-12T12:45:16Z) - Going beyond p-convolutions to learn grayscale morphological operators [64.38361575778237]
p-畳み込み層と同じ原理に基づく2つの新しい形態層を提示する。
本研究では, p-畳み込み層と同じ原理に基づく2つの新しい形態層を示す。
論文 参考訳（メタデータ） (2021-02-19T17:22:16Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳（メタデータ） (2020-12-07T01:20:38Z) - Complexity-based speciation and genotype representation for
neuroevolution [81.21462458089142]
本稿では、進化するネットワークを隠されたニューロンの数に基づいて種に分類する神経進化の種分化原理を提案する。
提案された種分化原理は、種および生態系全体における多様性の促進と保存を目的として設計されたいくつかの技術で採用されている。
論文 参考訳（メタデータ） (2020-10-11T06:26:56Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳（メタデータ） (2020-06-19T22:05:19Z)
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。