論文の概要: COTN: A Chaotic Oscillatory Transformer Network for Complex Volatile Systems under Extreme Conditions

• arxiv url: http://arxiv.org/abs/2511.06273v1
• Date: Sun, 09 Nov 2025 08:17:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.857208
• Title: COTN: A Chaotic Oscillatory Transformer Network for Complex Volatile Systems under Extreme Conditions
• Title（参考訳）: COTN: 極限条件下での複雑な揮発性システムのカオス振動変圧器ネットワーク
• Authors: Boyan Tang, Yilong Zeng, Xuanhao Ren, Peng Xiao, Yuhan Zhao, Raymond Lee, Jianghua Wu,
• Abstract要約: 金融・電気市場の正確な予測、特に極端な状況下では、依然として大きな課題である。 本稿では,新しいLeeアクティベーション機能を備えたChaoticy Transformer Network (COTN)を提案する。 COTNにはAutoencoder Self-Regressive (ASR)モジュールが組み込まれており、異常な市場パターンを検出して分離する。 われわれのアプローチは、Informerのような最先端のディープラーニングモデルを最大17%、GARCHのような従来の統計手法を最大17%上回っている。
• 参考スコア（独自算出の注目度）: 4.606846373731374
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate prediction of financial and electricity markets, especially under extreme conditions, remains a significant challenge due to their intrinsic nonlinearity, rapid fluctuations, and chaotic patterns. To address these limitations, we propose the Chaotic Oscillatory Transformer Network (COTN). COTN innovatively combines a Transformer architecture with a novel Lee Oscillator activation function, processed through Max-over-Time pooling and a lambda-gating mechanism. This design is specifically tailored to effectively capture chaotic dynamics and improve responsiveness during periods of heightened volatility, where conventional activation functions (e.g., ReLU, GELU) tend to saturate. Furthermore, COTN incorporates an Autoencoder Self-Regressive (ASR) module to detect and isolate abnormal market patterns, such as sudden price spikes or crashes, thereby preventing corruption of the core prediction process and enhancing robustness. Extensive experiments across electricity spot markets and financial markets demonstrate the practical applicability and resilience of COTN. Our approach outperforms state-of-the-art deep learning models like Informer by up to 17% and traditional statistical methods like GARCH by as much as 40%. These results underscore COTN's effectiveness in navigating real-world market uncertainty and complexity, offering a powerful tool for forecasting highly volatile systems under duress.
• Abstract（参考訳）: 金融・電気市場の正確な予測は、特に極端な状況下では、その固有の非線形性、急激な変動、カオス的なパターンのために重要な課題である。 これらの制約に対処するため,カオス振動変換ネットワーク(COTN)を提案する。 COTNは、Transformerアーキテクチャと新しいLee Oscillatorアクティベーション関数を革新的に組み合わせ、Max-over-Timeプールとラムダゲーティング機構を通じて処理する。 この設計は、カオス力学を効果的に捉え、従来の活性化関数(例えば、ReLU、GELU)が飽和する傾向にあるボラティリティを高くする期間に応答性を向上させるために、特に調整されている。 さらに、COTNにはAutoencoder Self-Regressive (ASR)モジュールが組み込まれており、急激な価格急騰やクラッシュなどの異常な市場パターンを検出し、分離することで、コア予測プロセスの破損を防止し、堅牢性を高める。 電気スポット市場と金融市場にわたる大規模な実験は、COTNの実用性とレジリエンスを実証している。 われわれのアプローチは、Informerのような最先端のディープラーニングモデルを最大17%、GARCHのような従来の統計手法を最大40%上回っている。 これらの結果は、COTNが現実世界の市場の不確実性や複雑さをナビゲートする上での有効性を強調し、高い揮発性システムを予測する強力なツールを提供する。

関連論文リスト

• A Hybrid Autoencoder-Transformer Model for Robust Day-Ahead Electricity Price Forecasting under Extreme Conditions [2.2360725546624267]
  本稿では,拡散注意変換器モデルとオートエンコーダ自己回帰モデルを統合した新しいハイブリッドディープラーニングフレームワークを提案する。 カリフォルニアと山東省でサンプリングされたデータセットの実験により、我々のフレームワークは予測精度、堅牢性、計算効率において最先端の手法を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2025-11-10T09:47:24Z)
• Encoder Decoder Generative Adversarial Network Model for Stock Market Prediction [0.0]
  本稿では,GRU をベースとした表現型デコーダ GAN (EDGAN) モデルを提案する。 多様なストックデータセットの実験では、EDGANは揮発性市場においても予測精度とトレーニング安定性が優れていることが示されている。
  論文  参考訳（メタデータ） (2025-10-12T13:57:36Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
  量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。 これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• Optimizing Multi-Tier Supply Chain Ordering with LNN+XGBoost: Mitigating the Bullwhip Effect [0.0]
  本研究では,多層サプライチェーンの順序付け戦略を最適化するハイブリッドLNNとXGBoostモデルを提案する。 LNNの動的特徴抽出とXGBoostのグローバル最適化機能を活用することで、ブルウィップ効果を緩和し、累積収益性を高めることを目指している。
  論文  参考訳（メタデータ） (2025-07-28T23:24:54Z)
• Spark Transformer: Reactivating Sparsity in FFN and Attention [53.221448818147024]
  本稿では, FFNとアテンション機構の両方において, 高レベルのアクティベーション間隔を実現する新しいアーキテクチャであるSpark Transformerを紹介する。 これによりFLOPの2.5倍の削減が可能となり、CPUでは1.79倍、GPUでは1.40倍となる。
  論文  参考訳（メタデータ） (2025-06-07T03:51:13Z)
• Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
  フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。 既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。 本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
  論文  参考訳（メタデータ） (2025-01-20T04:26:21Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Retentive Neural Quantum States: Efficient Ansätze for Ab Initio Quantum Chemistry [10.423935999935315]
  本稿では,量子化学における電子基底状態問題の解法として,RetNet(retentive Network)の応用について検討する。 RetNetは、トレーニング中にデータを並列に処理し、推論中に繰り返し処理することで、この時間の複雑さのボトルネックを克服していることを示す。
  論文  参考訳（メタデータ） (2024-11-06T13:24:34Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Addressing Tactic Volatility in Self-Adaptive Systems Using Evolved Recurrent Neural Networks and Uncertainty Reduction Tactics [6.942025710859187]
  自己適応システムは、しばしば戦術を使って適応を行う。 戦術のボラティリティは現実世界のシステムで発生し、戦術の属性における変数の振る舞いとして定義される。 本稿では、進化したリカレントニューラルネットワーク(eRNN)を利用した戦術ボラティリティアウェア(TVA-E)プロセスを提案し、正確な戦術予測を行う。
  論文  参考訳（メタデータ） (2022-04-21T17:47:09Z)

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。