Apr, 2023

扰动是否有助于降低投资风险？通过分裂变分对抗训练的风险感知型股票推荐

PDF
TL;DR该研究提出了一种针对股票推荐的风险敏感框架 SVAT，以有效降低推荐模型的波动性并提高其风险意识，该方法通过对风险因素的变分扰动生成器进行建模，能够提供代表性的风险指示，并显示出可解释性的额外优势。实验表明，SVAT 在股票推荐模型中取得了显著的风险调整利润改进，超过同类基准方法 30%。
stock recommendationrisk controladversarial perturbationssvat frameworkinterpretable
发现论文，激发创造
  • 利用对抗训练提高股票走势预测

    本文介绍了一种新的机器学习解决方案，运用敌对训练改善神经网络模型的泛化性能，进而预测股票价格是否上涨或下跌。经过两组股票数据的广泛实验，结果表明敌对训练能使模型具有更好的预测准确性。

    Oct, 2018

  • 虚拟对抗训练：一种用于监督学习和半监督学习的正则方法

    提出了一种基于虚拟对抗损失的正则化方法 - 一种关于条件标签分布的局部平滑度的新度量。虚拟对抗损失被定义为每个数据点周围条件标签分布对本地扰动的鲁棒性。我们的方法定义了无需标签信息的对抗方向，因此适用于半监督学习。在多个基准数据集上，通过熵最小化原理实现的 VAT 在半监督学习任务上实现了 SVHN 和 CIFAR-10 的最新性能。

    Apr, 2017

  • 半监督学习的对抗性转换

    本文提出了一种基于对抗转化的正则化框架 (RAT) 来提高半监督学习的鲁棒性，研究表明，与现有正则化方法相比，RAT 可以在标准半监督图像分类环境下显著提高分类性能。

    Nov, 2019

  • 使用潜空间虚拟对抗训练进行正则化

    本文提出了一种名为 LVAT 的新的规则化方法，将扰动注入潜在空间以生成理解性更强的对抗样本，并在图像分类任务的超视觉和半监督学习情景中使用 SVHN 和 CIFAR-10 数据集验证其性能，证明其优于其他现有方法及 VAT。

    Nov, 2020

  • 攻击算法交易者的对抗扰动：接管股票市场

    本研究探讨在算法交易系统中，使用对抗性学习技术对输入数据流进行实时操纵的攻击，并评估其在现实市场数据流上的有效性和在白盒和黑盒设置中的影响。我们提出了各种缓解方法并讨论其限制，旨在提醒金融界对自动化学习模型使用所带来的潜在风险，并促进进一步研究。

    Oct, 2020

  • 通过虚拟对抗扰动进行不确定性句子采样

    提出了一个不确定性 - 多样性的结合框架：Virtual Adversarial Perturbation for Active Learning（VAPAL），使用虚拟对抗扰动作为模型不确定性表示，其一直表现出色或甚至更好，为理解句子任务提供了一个潜在的主动学习选择。

    Oct, 2022

  • 通过弃权实现序列预测中的对抗韧性

    本研究提出一种介于纯随机和完全对抗的序列预测模型，可在不损失成本的情况下避免对注入干扰项的干净标签对抗（或超出分布）示例进行预测；同时使用 VC 维度来量化不确定性，且不需要访问条件分布。

    Jun, 2023

  • 使用虚拟对抗训练进行分布平滑

    本文提出了一种基于 KL 分歧的局部分布平滑正则方法，称作虚拟对抗训练，用于半监督学习中的神经网络，通过模型分布的稳健性来决定对抗方向，较低的计算成本使得该方法在 MNIST，SVHN 和 NORB 数据集上的性能超过了其他训练方法，除一个高级的生成模型外取得当前最佳表现。

    Jul, 2015

  • 随机风险厌恶学习的自适应采样

    在机器学习应用中，我们提出了一种风险规避的训练模型的方法，它通过优化在最难的样本上的表现来提高模型的稳定性和可预测性，关键是利用分布式随机优化算法和结构化行列式点过程进行大规模的学习任务。

    Oct, 2019

  • 随机对抗视频预测

    本文探讨了两种机器学习模型用于生成视频未来帧预测的方法，并将它们相结合得到更真实、多样性更好的预测结果。

    Apr, 2018