論文の概要: Titans-QFWP: A Regime-Aware Hybrid Quantum Fast Weight Programmer for Portfolio Optimization
- arxiv url: http://arxiv.org/abs/2608.29093v1
- Date: Sat, 29 Aug 2026 06:52:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.835434
- Title: Titans-QFWP: A Regime-Aware Hybrid Quantum Fast Weight Programmer for Portfolio Optimization
- Title（参考訳）: Titans-QFWP:ポートフォリオ最適化のためのレジーム対応ハイブリッド量子高速プログラム
- Abstract要約: タイタンス-QFWPは、量子高速重みプログラムとタイタンススタイルのメモリを統合したハイブリッド強化学習アーキテクチャ(永続化、サプライズ、予測)
ハンガリーのK平均クラスタリングと,高次元市場機能に対処するためのスケールされたログリターン報酬を備えた拡張A3C2フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 21.340195103891684
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose Titans-QFWP, a hybrid reinforcement learning architecture integrating a Quantum Fast Weight Programmer with Titans-style memory (Persistence, Surprise, and Forgetting) for adaptive portfolio optimization. To address high-dimensional market features, we introduce an enhanced A3C^2 framework with Hungarian-aligned K-means clustering and scaled log-return rewards. Evaluated on 468 S&P 500 stocks under an Equal-Parameter-Count (EPC) benchmark with approximately 3,000 trainable parameters, Titans-QFWP achieves strong performance (median ARR 0.4260, Calmar 8.5504, IR 0.8427). Ablation results reveal that quantum gating fundamentally reshapes memory component roles, with Persistence supporting drawdown control, Surprise contributing to return generation, and Forgetting providing additional stabilization. By stabilizing these quantum representations, the model enables defensive allocation during market drawdowns while preserving upside potential.
- Abstract（参考訳）: 我々は、適応ポートフォリオ最適化のために、量子高速重みプログラムとタイタンススタイルのメモリ(永続化、サプライズ、ゲッティング)を統合するハイブリッド強化学習アーキテクチャであるTitans-QFWPを提案する。
高次元市場特徴に対処するために、ハンガリーのK平均クラスタリングとスケールした対数戻り報酬を備えた拡張されたA3C^2フレームワークを導入する。
EPC(Equal-Parameter-Count)ベンチマークで468株のS&P500株を約3,000のトレーニング可能なパラメータで評価し、Titans-QFWPは高いパフォーマンスを達成している(中央値ARR 0.4260、Calmar 8.5504、IR 0.8427)。
アブレーションの結果、量子ゲーティングはメモリコンポーネントの役割を根本的に改善し、パーシステンスがドローダウン制御をサポートし、サプライズがリターン生成に寄与し、さらなる安定化を提供する。
これらの量子表現を安定化することにより、このモデルは、上向きのポテンシャルを保ちながら、市場縮小時の防御的アロケーションを可能にする。
関連論文リスト
- A Hybrid Quantum-Classical Coordination Architecture for Portfolio Optimization via Global Context Injection [2.4660652494309936]
ポートフォリオ最適化のための短期量子および量子に着想を得た解法は、厳密なサイズ制約の下での局所的なサブプロブレム実行に依存している。
本研究では,1ショットの静的分解と全行列最適化を併用した,軽量なハイブリッド量子古典座標層であるContext-Aware Folding (CAF)を提案する。
CAFは、各局所的なサブプロブレムに圧縮されたグローバルリスク状態を状態依存線形バイアスを介して注入し、グローバルなコミットメントから局所的な候補生成を分離し、シーケンシャルな受け入れルールを保持する。
論文 参考訳（メタデータ） (2026-09-14T15:12:22Z) - STARE: Surprisal-Guided Token-Level Advantage Reweighting for Policy Entropy Stability [78.63876433996107]
GRPOの下でトークンレベルのエントロピーダイナミクスの1次勾配解析を行う。
本稿では,バッチ内部量子化によるエントロピークリティカルトークンのサブセットを識別するSTAREを提案する。
AIME24とAIME25では、STAREはDAPOや他の競争ベースラインを平均精度で4%-8%上回っている。
論文 参考訳（メタデータ） (2026-06-17T16:13:42Z) - LLMForge: Multi-Backend Hardware-Aware Neural Architecture Search with Infinite-Head Attention for Edge Language Models [0.5765637715313356]
LLMForgeはハードウェア対応のニューラルアーキテクチャ検索フレームワークである。
Infinite-Head Attention (IHA)は、クエリヘッド数、KVグループ、ヘッド毎のクエリ/キーと値次元を分離する。
Forge-Formerはアーキテクチャベースのベンチマークパフォーマンスを上回っている。
論文 参考訳（メタデータ） (2026-05-17T21:10:54Z) - Gated QKAN-FWP: Scalable Quantum-inspired Sequence Learning [38.502127166117674]
量子インスパイアされたKolmogorov-Arnold Network(QKAN)とFWPを統合した高速軽量フレームワークQKAN-FWPを提案する。
私たちは、DARUAN(DatA Re-Uploading ActivatioN)として知られる、学習可能な非線形アクティベーションとしてシングルキュービットデータ再ロード回路を使用している。
時系列ベンチマーク,MiniGrid強化学習,および実世界の太陽周期予測を主要な実践的結果として取り上げ,その枠組みを評価する。
論文 参考訳（メタデータ） (2026-05-07T13:04:09Z) - BWTA: Accurate and Efficient Binarized Transformer by Algorithm-Hardware Co-design [71.97035034203275]
バイナライゼーションにおけるゼロ点歪みを解析し,BWTA量子化方式を提案する。
本稿では,Smooth Multi-Stage Quantizationを提案し,レベルワイド・デグラデーション・ストラテジーとMagnitude Alignment Projection Factorを組み合わせた。
実験の結果、BWTAはTransformerベースのモデルに対して、GLUEでは平均3.5%、タスクでは2%未満の精度でフル精度のパフォーマンスにアプローチしていることがわかった。
論文 参考訳（メタデータ） (2026-04-05T04:25:07Z) - Quantum-Assisted Optimal Rebalancing with Uncorrelated Asset Selection for Algorithmic Trading Walk-Forward QUBO Scheduling via QAOA [0.2538209532048867]
ポートフォリオ構築と再バランスのためのハイブリッド古典量子フレームワークを提案する。
我々の主な貢献は、ポートフォリオ再バランススケジュールを擬似非制約バイナリ最適化問題として定式化することである。
このアプローチは、動的リバランシングを、変分量子法に対応可能な構造化されたバイナリスケジューリング問題として再キャストする。
論文 参考訳（メタデータ） (2026-03-04T15:15:55Z) - Breaking the Blocks: Continuous Low-Rank Decomposed Scaling for Unified LLM Quantization and Adaptation [46.34608916687127]
低ランク分解スケーリング(LoRDS)は、この低ランク分解を通じて量子化の粒度を再考する統一フレームワークである。
空間的制約の「ブロックを壊す」ことで、LoRDSはシームレスな効率ライフサイクルを確立する。
LoRDSは、量子化タスクと下流細調整タスクの両方において、さまざまなモデルファミリの最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-01-30T08:46:02Z) - Non-Convex Portfolio Optimization via Energy-Based Models: A Comparative Analysis Using the Thermodynamic HypergRaphical Model Library (THRML) for Index Tracking [0.0]
本稿では,確率的グラフィカルモデルの構築とサンプリングを行うJAXベースのライブラリである THRML (Thermodynamic HypergRaphical Model Library) を用いた新しいアプローチを提案する。
THRMLはGPU加速ブロックギブスサンプリングによる高品質なポートフォリオのボルツマン分布からのサンプルであり、オーバーフィッティングに対する自然な正規化を提供する。
2023年から2025年までの100ストックのSとP500の宇宙でのバックテストでは、THRMLは5.66から6.30%のベースラインに対して毎年4.31パーセントのトラッキングエラーを達成し、同時に128.63パーセントの総リターンを発生している。
論文 参考訳（メタデータ） (2026-01-12T18:04:33Z) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - Every Step Evolves: Scaling Reinforcement Learning for Trillion-Scale Thinking Model [100.86587937568832]
Ring-1Tは、数兆のパラメータを持つ最初のオープンソースの最先端の思考モデルである。
総パラメータは1兆で、1トークンあたり約500億を活性化する。
論文 参考訳（メタデータ） (2025-10-21T17:46:14Z) - On-Device Qwen2.5: Efficient LLM Inference with Model Compression and Hardware Acceleration [1.9965524232168244]
本稿では,Xilinx Kria KV260エッジプラットフォーム上にQwen2.5-0.5Bモデルをデプロイするための効率的なフレームワークを提案する。
我々は,計算集約的な演算をFPGAにインテリジェントにオフロードし,CPUを軽量なタスクに活用するハイブリッド実行戦略を提案する。
本フレームワークは,従来のモデルと比較して55.08%のモデル圧縮率を実現し,5.1トークン/秒で出力し,2.8トークン/秒のベースライン性能を上回った。
論文 参考訳（メタデータ） (2025-04-24T08:50:01Z) - HAC: Hash-grid Assisted Context for 3D Gaussian Splatting Compression [55.6351304553003]
3D Gaussian Splatting (3DGS) は、新しいビュー合成のための有望なフレームワークとして登場した。
高速な3DGS表現のためのHash-grid Assisted Context (HAC) フレームワークを提案する。
私たちの研究は、コンテキストベースの3DGS表現の圧縮を探求するパイオニアです。
論文 参考訳（メタデータ） (2024-03-21T16:28:58Z)
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。