Jul, 2023

投资组合优化的迁移学习

PDF
TL;DR我们探讨了利用迁移学习技术解决金融投资组合优化问题的可能性，引入了一个名为 “迁移风险” 的新概念，并在迁移学习的优化框架中进行了一系列数字实验，揭示了迁移风险与迁移学习方法整体性能之间的强相关性，验证了迁移风险作为 “可迁移性” 的可行指标的重要性，迁移风险证明提供了一种计算高效的方法来识别迁移学习中适当的源任务，增强了迁移学习方法的效率和效果，此外，数字实验为不同设置下的投资组合管理提供了有价值的新见解。
发现论文，激发创造
  • 转移学习的风险及其在金融中的应用

    本文提出了一个新的转移风险概念并分析了其性质，将其应用于股票收益预测和投资组合优化问题中，数值结果表明转移风险与整体转移学习性能存在强相关性，转移风险提供了一个计算高效的方法来识别适当的源任务，包括跨大陆、跨行业和跨频率转移用于投资组合优化。

    Nov, 2023

  • 迁移学习的可行性：一个数学框架

    本文探讨了迁移学习的可行性问题，并构建了一个数学框架，将三个步骤的迁移学习过程形式化为一个优化问题，研究发现在适当的损失函数和数据集选择下，存在迁移学习的最佳过程，这些研究为特征增强在模型性能中的影响，域适应的潜在扩展以及在图像分类中进行高效特征提取器转移的可行性提供了新的见解。

    May, 2023

  • 任务迁移学习中可迁移性的信息论方法

    本文提出了一个评估跨任务表示学习有效性的 H-score 度量方式，可以对在分类问题中从一个任务传递到另一个任务的表示的性能进行评估。使用实际图像数据进行的实验表明，该评价标准不仅与经验传递度量一致，而且在源模型选择和任务转移课程学习等应用中也非常有用。

    Dec, 2022

  • 安全的迁移学习：挑战和未来方向

    通过综述现有的研究进展，本文讨论了在安全领域中应用迁移学习技术存在的研究空白以及潜在的未来研究方向和迁移学习辅助安全解决方案中出现的问题。

    Mar, 2024

  • 贝叶斯优化的迁移学习：综述

    该研究论文介绍基于贝叶斯优化的迁移学习方法，从初始点设计、搜索空间设计、代理模型和获取函数等四个方面总结其方法论和技术细节。同时，论文彰显了该方法在广泛应用中的优点，并提出了未来的研究方向。

    Feb, 2023

  • 分层强化学习中鲁棒的知识传递

    本文研究分层强化学习的并行传输学习框架，提出了新的在线学习算法以及转移来源选择机制来实现对高层任务的常数后悔性，在多低层任务的情况下也能获得更大的状态行为空间的利益。

    Feb, 2023

  • 是否转移：统一的可转移度度量和分析

    本文提出了一种新的分析方法和度量标准 —— 基于 Wasserstein 距离的联合估计（WDJE），用于在统一的分类和回归问题中估计和确定可转移性，通过比较目标风险有无转移来促进决策，同时提出了一种容易理解和计算的目标风险上界，通过有限的目标标签关系目标风险与源模型性能、域和任务之间的 Wasserstein 距离关系，简化了目标风险的计算， 并将其推广到无监督设置中。实验结果表明，WDJE 在图像分类和剩余寿命回归预测中的有效性，并且所提出的目标风险上界能够很好地估计目标转移风险。

    May, 2023

  • 贝叶斯迁移学习

    贝叶斯迁移学习方法在不同领域的先前知识引导新学习任务的最佳信息问题上具有广泛应用，并通过模拟研究展示了其与频率论竞争者相比的性能。

    Dec, 2023

  • 迁移学习综述

    本综述对转移学习的 40 多个代表性方法进行了系统总结，从数据和模型的角度介绍了同质转移学习的机制和策略，并通过实验证明了在不同应用程序中选择适当的传输学习模型的重要性。

    Nov, 2019

  • 大规模预训练分类器任务可转移性分析

    本文通过分析在只微调模型最后一层的情况下分类任务的性能传输，提出了一种新颖的任务转移分析方法，该方法通过改变类先验分布、标签和特征空间的方法变换源分布，并利用 Wasserstein 距离、标签分布的条件熵以及源分布的带权损失等因素说明了传输性，同时提出了最小化转移上限的变换源任务的优化问题，通过对最新的预训练模型进行大规模实证研究，证明了本方法在预测传输性方面的有效性。

    Jul, 2023