論文の概要: Designing Time-Series Models With Hypernetworks & Adversarial Portfolios

• arxiv url: http://arxiv.org/abs/2407.20352v1
• Date: Mon, 29 Jul 2024 18:06:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-31 18:58:28.690051
• Title: Designing Time-Series Models With Hypernetworks & Adversarial Portfolios
• Title（参考訳）: Hypernetworks & Adversarial Portfoliosによる時系列モデルの設計
• Authors: Filip Staněk,
• Abstract要約: 本稿では,M6コンペティションの予測と投資の課題において,それぞれ4位と6位を達成した手法について述べる。 予測課題では、ハイパーネットを用いた新しいメタ学習モデルを用いて、予測タスクの特定のファミリーに合わせたパラメトリックモデルを設計した。 投資課題では、ポートフォリオの重みを調整し、現在のランキングに応じて、応募と他の参加者との相関関係を大きくあるいはより小さいものにしました。
• 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 article describes the methods that achieved 4th and 6th place in the forecasting and investment challenges, respectively, of the M6 competition, ultimately securing the 1st place in the overall duathlon ranking. In the forecasting challenge, we tested a novel meta-learning model that utilizes hypernetworks to design a parametric model tailored to a specific family of forecasting tasks. This approach allowed us to leverage similarities observed across individual forecasting tasks while also acknowledging potential heterogeneity in their data generating processes. The model's training can be directly performed with backpropagation, eliminating the need for reliance on higher-order derivatives and is equivalent to a simultaneous search over the space of parametric functions and their optimal parameter values. The proposed model's capabilities extend beyond M6, demonstrating superiority over state-of-the-art meta-learning methods in the sinusoidal regression task and outperforming conventional parametric models on time-series from the M4 competition. In the investment challenge, we adjusted portfolio weights to induce greater or smaller correlation between our submission and that of other participants, depending on the current ranking, aiming to maximize the probability of achieving a good rank.
• Abstract（参考訳）: 本稿では,M6コンペティションの予測と投資の課題において,それぞれ4位と6位を達成した手法について述べる。 予測課題では、ハイパーネットを用いた新しいメタ学習モデルを用いて、予測タスクの特定のファミリーに合わせたパラメトリックモデルを設計した。 このアプローチにより、個々の予測タスク間で観察された類似性を活用できると同時に、データ生成プロセスにおける潜在的な不均一性を認識できる。 モデルのトレーニングはバックプロパゲーションによって直接行うことができ、高階微分への依存を排除し、パラメトリック関数の空間と最適パラメータ値の同時探索と等価である。 提案手法はM6を超えて拡張され,正弦波回帰タスクにおける最先端のメタラーニング手法よりも優れ,M4コンペティションにおける従来のパラメトリックモデルよりも優れていた。 投資課題では、ポートフォリオの重みを調整し、応募者と他の参加者との相関関係を大きく、あるいはより小さいものにし、適切なランクを得る確率を最大化することを目的とした。

関連論文リスト

• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• Margin Matching Preference Optimization: Enhanced Model Alignment with Granular Feedback [64.67540769692074]
  人間のフィードバックからの強化学習など、アライメント技術で微調整された大規模言語モデル(LLM)は、これまでで最も有能なAIシステムの開発に役立っている。 マージンマッチング選好最適化(MMPO)と呼ばれる手法を導入し、相対的な品質マージンを最適化し、LLMポリシーと報酬モデルを改善する。 人間とAIの両方のフィードバックデータによる実験によると、MMPOはMT-benchやRewardBenchといった一般的なベンチマークにおいて、ベースラインメソッドよりも一貫してパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2024-10-04T04:56:11Z)
• MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model [0.0]
  CNN,Long Short-Term Memory Network (LSTM), Gated Recurrent Units (GRU)を統合したハイブリッドアーキテクチャであるMulti-Channel Data Fusion Network (MCDFN)を紹介する。 我々の比較ベンチマークは、MCDFNが他の7つのディープラーニングモデルより優れていることを示している。 本研究は,需要予測手法を進歩させ,MCDFNをサプライチェーンシステムに統合するための実践的ガイドラインを提供する。
  論文  参考訳（メタデータ） (2024-05-24T14:30:00Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Exploring validation metrics for offline model-based optimisation with diffusion models [50.404829846182764]
  モデルベース最適化(MBO)では、マシンラーニングを使用して、(基底真理)オラクルと呼ばれるブラックボックス関数に対する報酬の尺度を最大化する候補を設計することに興味があります。 モデル検証中に基底オラクルに対する近似をトレーニングし、その代わりに使用することができるが、その評価は近似的であり、敵の例に対して脆弱である。 本手法は,外挿量を測定するために提案した評価フレームワークにカプセル化されている。
  論文  参考訳（メタデータ） (2022-11-19T16:57:37Z)
• Model-based micro-data reinforcement learning: what are the crucial model properties and which model to choose? [0.2836066255205732]
  我々は,マイクロデータモデルに基づく強化学習(MBRL)に寄与する。 マルチモーダルな後続予測を必要とする環境では、混合密度ネットは他のモデルよりも大きなマージンで優れていることがわかった。 また、決定論的モデルは同等であり、実際、確率論的モデルよりも一貫して(非目立ったことではないが)優れていることも見出した。
  論文  参考訳（メタデータ） (2021-07-24T11:38:25Z)
• Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
  視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。 潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。 我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
  論文  参考訳（メタデータ） (2020-12-08T18:03:21Z)
• An Accurate and Fully-Automated Ensemble Model for Weekly Time Series Forecasting [9.617563440471928]
  本稿では,最先端の予測技術を活用した予測手法を提案する。 異なるメタ学習アーキテクチャ、アルゴリズム、ベースモデルプールについて検討する。 提案手法は、一連のベンチマークと最先端の週次予測モデルより一貫して優れている。
  論文  参考訳（メタデータ） (2020-10-16T04:29:09Z)
• An LSTM approach to Forecast Migration using Google Trends [7.621862131380908]
  線形重力モデルを長期記憶(LSTM)アプローチに置き換え、既存の2つのアプローチと比較する。 LSTMアプローチとGoogle Trendsのデータを組み合わせることで、これらのモデルがさまざまな指標で優れています。
  論文  参考訳（メタデータ） (2020-05-20T08:07:42Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。