Fugu-MT 論文翻訳(概要): Fine-tuning Timeseries Predictors Using Reinforcement Learning

論文の概要: Fine-tuning Timeseries Predictors Using Reinforcement Learning

arxiv url: http://arxiv.org/abs/2603.20063v1
Date: Fri, 20 Mar 2026 15:44:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-23 19:48:39.213243
Title: Fine-tuning Timeseries Predictors Using Reinforcement Learning
Title（参考訳）: 強化学習を用いた微調整時間予測器
Authors: Hugo Cazaux, Ralph Rudd, Hlynur Stefánsson, Sverrir Ólafsson, Eyjólfur Ingi Ásgeirsson,
Abstract要約: 本稿では,教師付き学習を用いて訓練したモデルに対して,強化学習タスクの損失を緩和するための明確な実装計画を提案する。微調整後の性能向上とモデルへの学習特性の移譲により,微調整の利点が示唆された。
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 chapter presents three major reinforcement learning algorithms used for fine-tuning financial forecasters. We propose a clear implementation plan for backpropagating the loss of a reinforcement learning task to a model trained using supervised learning, and compare the performance before and after the fine-tuning. We find an increase in performance after fine-tuning, and transfer learning properties to the models, indicating the benefits of fine-tuning. We also highlight the tuning process and empirical results for future implementation by practitioners.
Abstract（参考訳）: この章では、細調整された財務予測に使用される3つの主要な強化学習アルゴリズムを提示する。教師付き学習を用いて訓練したモデルに対して、強化学習タスクの損失をバックプロパゲートするための明確な実装計画を提案し、微調整前後のパフォーマンスを比較した。微調整後の性能向上とモデルへの学習特性の移譲により,微調整の利点が示唆された。また,実践者による将来の実装のためのチューニングプロセスと経験的結果も強調する。

関連論文リスト

Modèles de Fondation et Ajustement : Vers une Nouvelle Génération de Modèles pour la Prévision des Séries Temporelles [26.28141834580785]
ゼロショット時系列予測のための基礎モデルが開発されている。これらのモデルは点予測と確率予測の両方に対して一般化可能な表現を学ぶ。プレトレーニング後の微調整が特定のデータセットに与える影響について検討した。
論文参考訳（メタデータ） (2025-11-27T18:19:20Z)
Overtrained Language Models Are Harder to Fine-Tune [64.44743256512237]
大規模言語モデルは、成長を続けるトークン予算に基づいて事前訓練されている。事前トレーニングの拡張により、モデルを微調整しにくくなり、最終的なパフォーマンスが低下することを示した。
論文参考訳（メタデータ） (2025-03-24T23:11:56Z)
The Surprising Agreement Between Convex Optimization Theory and Learning-Rate Scheduling for Large Model Training [55.233765889424035]
本研究では,大規模モデル学習における学習速度のスケジュールが,非滑らかな最適化理論に縛られた凸と驚くほど類似していることを示す。最適学習率で継続トレーニングのスケジュールを延長し、かつ、最適学習率をスケジュール間で転送することにより、124Mと210MのLlama型モデルをトレーニングするための顕著な改善を実現した。
論文参考訳（メタデータ） (2025-01-31T08:55:56Z)
Prior2Posterior: Model Prior Correction for Long-Tailed Learning [0.41248472494152805]
本稿では,テクティタ後部確率を用いたトレーニングモデルの有効性を正確にモデル化するための新しい手法を提案する。提案手法は,ロングテール文献から得られた複数のベンチマークデータセットに基づいて,新しい最先端(SOTA)を実現する。
論文参考訳（メタデータ） (2024-12-21T08:49:02Z)
A Model-Based Approach for Improving Reinforcement Learning Efficiency Leveraging Expert Observations [9.240917262195046]
本稿では,拡張損失関数における各成分の重みを自動的に調整するアルゴリズムを提案する。様々な連続制御タスクの実験は、提案アルゴリズムが様々なベンチマークより優れていることを示した。
論文参考訳（メタデータ） (2024-02-29T03:53:02Z)
Towards Compute-Optimal Transfer Learning [82.88829463290041]
我々は、事前訓練されたモデルのゼロショット構造化プルーニングにより、性能を最小限に抑えて計算効率を向上させることができると主張している。その結果,事前訓練されたモデルの畳み込み畳み込みフィルタは,低計算条件下で20%以上の性能向上をもたらす可能性が示唆された。
論文参考訳（メタデータ） (2023-04-25T21:49:09Z)
Improved Fine-tuning by Leveraging Pre-training Data: Theory and Practice [52.11183787786718]
対象データに事前学習されたモデルを微調整することは、多くのディープラーニングアプリケーションで広く利用されている。近年の研究では、スクラッチからのトレーニングが、この事前トレーニング戦略に比較して、最終的なパフォーマンスを示すことが実証されている。本稿では,対象タスクの一般化を改善するために,事前学習データからサブセットを選択する新しい選択戦略を提案する。
論文参考訳（メタデータ） (2021-11-24T06:18:32Z)
Multi-Stage Influence Function [97.19210942277354]
我々は、事前学習データまで遡って、微調整されたモデルから予測を追跡するための多段階影響関数スコアを開発する。本研究は,2つのシナリオについて検討し,事前訓練した埋め込みを微調整タスクで固定または更新する。
論文参考訳（メタデータ） (2020-07-17T16:03:11Z)
Making learning more transparent using conformalized performance prediction [9.36599317326032]
本研究では、より透明で正確で実用的な性能保証を備えた機械学習手順を提供する問題に対する共形推論手法の新たな応用について研究する。我々は,任意の学習アルゴリズムの今後の性能について,有効かつ適切に評価された予測文を作成することができるように,従来の共形予測フレームワークの自然な拡張を提供する。
論文参考訳（メタデータ） (2020-07-09T00:29:55Z)

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。