論文の概要: MoFE: A Novel Mixture-of-Experts Framework with Fourier Neural Operators for Cryptocurrency Forecasting

• arxiv url: http://arxiv.org/abs/2608.17342v1
• Date: Tue, 18 Aug 2026 04:00:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.214138
• Title: MoFE: A Novel Mixture-of-Experts Framework with Fourier Neural Operators for Cryptocurrency Forecasting
• Title（参考訳）: MoFE: 暗号予測のためのフーリエニューラル演算子を備えた新しいMixture-of-Expertsフレームワーク
• Abstract要約: MoFEは、Mixture-of-ExpertsアーキテクチャにFNOを統合する新しいディープラーニングフレームワークである。 Bitcoinデータセットの実験は2020年1月から2025年12月にかけて行われた。 このモデルは位相ラグ効果を効果的に軽減し、優れた方向精度(DA)と情報係数(IC)を提供する。 高忠実なシミュレートされた取引環境において、これらの予測利得はシャープ比が高く特徴付けられる、かなりの過剰なリターンとロバストなリスク調整性能に移行する。
• 参考スコア（独自算出の注目度）: 5.173689949297244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting cryptocurrency prices remains a formidable challenge due to inherent non-stationarity, abrupt regime shifts, and multi-scale stochastic dependencies. Conventional deep learning models often struggle to capture complex underlying dynamics, frequently resulting in persistent phase-lagged predictions. To address these limitations, we propose MoFE, a novel deep learning framework that integrates Fourier Neural Operators (FNOs) within a Mixture-of-Experts (MoE) architecture. Rooted in the theoretical framework of stochastic differential equations, MoFE conceptualizes cryptocurrency volatility as a superposition of multi-frequency components, which includes user network based fundamental growth, mining costs and halving mechanism caused seasonal volatility, and market sentiment-induced chaos. Specifically, specialized adaptive FNO (AFNO) and Convolution dual-domain experts learn continuous function-to-function mappings to encapsulate global spectral trends, cyclical adjustments and microstructures, while a dynamic gating based MoE mechanism enables adaptive strategy switching across diverse market regimes. Extensive experiments on Bitcoin datasets spanning January 2020 to December 2025 demonstrate that MoFE achieves state-of-the-art (SOTA) performance in both T+1 and T+5 forecasting horizons. Notably, the model effectively mitigates the phase-lag effect, delivering superior Directional Accuracy (DA) and Information Coefficient (IC). In high-fidelity simulated trading environments, these predictive gains transfer into significant excess returns and robust risk-adjusted performance, characterized by a high Sharpe ratio.
• Abstract（参考訳）: 暗号通貨価格の予測は、本質的に非定常性、突然の政権交代、そしてマルチスケールの確率的依存関係のために、依然として深刻な課題である。 従来のディープラーニングモデルは、しばしば複雑な基礎となるダイナミクスを捉えるのに苦労する。 これらの制約に対処するために,FNOをMixture-of-Experts (MoE)アーキテクチャに統合した新しいディープラーニングフレームワークであるMoFEを提案する。 MoFEは確率微分方程式の理論的枠組みに則って、暗号通貨のボラティリティを、ユーザネットワークに基づく基本的成長、採掘コストと季節的ボラティリティに起因する半分のメカニズム、市場感情によるカオスを含む多周波成分の重ね合わせとして概念化している。 具体的には、特殊適応FNO(AFNO)と畳み込み二重ドメインの専門家は、グローバルスペクトルトレンド、循環調整、マイクロ構造をカプセル化するための連続関数対関数マッピングを学習し、動的ゲーティングベースのMoEメカニズムは、多様な市場体制間で適応戦略の切り替えを可能にする。 2020年1月から2025年12月までのBitcoinデータセットに関する大規模な実験は、MoFEが最先端(SOTA)のパフォーマンスをT+1とT+5予測の両方で達成していることを示している。 特に、このモデルは位相ラグ効果を効果的に軽減し、優れた方向精度(DA)と情報係数(IC)を提供する。 高忠実なシミュレートされた取引環境において、これらの予測利得はシャープ比が高く特徴付けられる、かなりの過剰なリターンとロバストなリスク調整性能に移行する。

関連論文リスト

• Yield Curves Dynamics Using Variational Autoencoders Under No-arbitrage [0.0]
  本稿では,Deep Learningの統計的柔軟性と,固定所得モデルにおける厳密な理論的制約の相違を解消する物理インフォームドフレームワークを提案する。 本研究では, 標準生成モデルと非制約統計外挿が, 様々なマクロ経済体制における項構造予測において, 「二重崩壊」 と「厳密な仲裁違反」に悩まされることを実証する。 究極的には、この研究は項構造モデリングのための高度にスケーラブルで数学的に健全な進化的エンジンを提供する。
  論文  参考訳（メタデータ） (2026-05-12T21:21:25Z)
• Compatibility-Aware Dynamic Fine-Tuning for Large Language Models [48.855385240803436]
  Supervised Fine-Tuning (SFT) は、大規模言語モデル (LLM) の調整における主要なパラダイムである。 最近の研究は、この問題を病理学的勾配のスケーリングに起因し、トークンレベルでの修正のために動的微調整(DFT)を提案する。 本稿では、サンプルレベルの最適化分散を制御するDFTの原理的拡張であるCompatibility-Aware Dynamic Fine-Tuning(CADFT)を紹介する。
  論文  参考訳（メタデータ） (2026-04-22T14:47:30Z)
• Ge$^\ ext{2}$mS-T: Multi-Dimensional Grouping for Ultra-High Energy Efficiency in Spiking Transformer [84.8831358775386]
  スパイキングニューラルネットワーク(SNN)は、ニューラルネットワーク(ANN)よりも優れたエネルギー効率を提供する ANN-SNN ConversionやSpatial-Temporal Backpropagation (STBP)といった既存のパラダイムは、固有の制限に悩まされている。 Ge$text2$mS-Tを提案する。これは時間的・空間的・ネットワーク的構造次元にまたがるグループ計算を実装した新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2026-04-10T02:58:46Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• DecoKAN: Interpretable Decomposition for Forecasting Cryptocurrency Market Dynamics [18.23591598342295]
  DecoKANは、多層離散ウェーブレット変換(DWT)を統合した解釈可能な予測フレームワークで、Colmogorov-Arnold Network(KAN)ミキサーを用いて分離・階層的な信号分解を行い、透過的かつ解釈可能な非線形モデリングを行う。 実験により、DecoKANは、テストされた実世界の暗号データセット(BTC、ETH、XMR)で平均平均平均平均値のMean Squared Errorを達成することが示された。 これらの結果は、デコカンが予測精度とモデル透明性のギャップを埋め、複雑な暗号通貨市場における信頼できる意思決定支援を前進させる可能性を検証する。
  論文  参考訳（メタデータ） (2025-12-23T03:44:49Z)
• ASTIF: Adaptive Semantic-Temporal Integration for Cryptocurrency Price Forecasting [6.12055122337183]
  ASTIFは、信頼性に基づくメタ学習を通じて予測戦略をリアルタイムで適応するハイブリッドインテリジェントシステムである。 信頼を意識したメタラーナーは適応推論層として機能し、そのリアルタイム不確実性に基づいて各予測子の寄与を調節する。 この研究は、非定常環境における定量的および定性的データを融合するためのスケーラブルで知識に基づくソリューションに貢献している。
  論文  参考訳（メタデータ） (2025-12-21T09:17:36Z)
• Prismatic World Model: Learning Compositional Dynamics for Planning in Hybrid Systems [38.4555621948915]
  Prismatic World Model (PRISM-WM) は複雑なハイブリッド力学を構成可能なプリミティブに分解するように設計されている。 PRISM-WMは系力学におけるシャープモード遷移を正確にモデル化することでロールアウトドリフトを著しく低減する。
  論文  参考訳（メタデータ） (2025-12-09T09:40:34Z)
• From Exploration to Exploitation: A Two-Stage Entropy RLVR Approach for Noise-Tolerant MLLM Training [38.8378349968766]
  Reinforcement Learning with Verifiable Rewards (RLVR) は高品質なラベル付きデータに依存している。 既存の教師なしRLVR法は、純粋なエントロピー最小化を含む、誤ったラベルに過度に適合する。 RLVRのための2段階のトークンレベルのエントロピー最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-11-11T01:42:37Z)
• Differential-Integral Neural Operator for Long-Term Turbulence Forecasting [43.04613533979613]
  textbfunderlineDifferential-textbfunderlineIntegral textbfunderlineNeural textbfunderlineOperator (method) メソッドは、異なる物理演算子を学習する並列分岐による乱流進化を明示的にモデル化する。 数百のタイムステップにわたる誤差の蓄積をうまく抑制し、渦場とエネルギースペクトルの両方において高い忠実性を維持し、物理的に一貫した長距離乱流予測のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-09-25T14:08:26Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• PFformer: A Position-Free Transformer Variant for Extreme-Adaptive Multivariate Time Series Forecasting [9.511600544581425]
  PFformerは、単一ターゲットのMSS予測用に設計された、位置のないトランスフォーマーベースのモデルである。 PFformerは、EFE(Enhanced Feature-based Embedding)とAEE(Auto-Encoder-based Embedding)の2つの新しい埋め込み戦略を統合している。
  論文  参考訳（メタデータ） (2025-02-27T22:21:27Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• XRMDN: An Extended Recurrent Mixture Density Network for Short-Term Probabilistic Rider Demand Forecasting with High Volatility [16.047461063459846]
  本稿では,XRMDN (Extended Recurrent Mixture Density Network) を提案する。 XRMDNは需要動向を順応的に捉え、特に高ボラティリティシナリオにおいて予測精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-10-15T14:18:42Z)

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。