金融时间序列预测的链式结构神经结构搜索
我们提出了一种新颖的层次神经架构搜索方法,用于时间序列预测任务,在长期时间序列预测任务中,我们的方法可以搜索跨不同预测任务的轻量高性能预测架构。
Jun, 2024
本文比较了基于强化学习和进化算法的两种神经架构搜索方法来优化图神经网络,结果在包括 7 个数据集的两个搜索空间内显示出两种方法的准确性与随机搜索相似,引出了有多少搜索空间维度实际上与问题相关的问题。
Jul, 2020
本文研究旨在回顾深度学习在时间序列预测方面的应用,并比较其性能,结果表明长短时记忆网络(LSTM)和卷积神经网络(CNN)是最佳选择,其中 LSTM 获得最准确的预测结果,而 CNN 在不同参数配置下能够实现可比较的性能和更高的效率。
Mar, 2021
本研究旨在比较不同的长短期记忆(LSTM)神经网络结构和专门用于外汇市场预测的 ANN 架构之间的性能和资源需求,包括模型的执行时间、内存和计算资源消耗。我们的目标是证明专门的架构在外汇市场预测方面不仅能够取得更好的结果,而且在资源消耗和执行时间方面相对于 LSTM 架构更为优越。这种比较分析将对这两种类型的架构在外汇市场环境中的时间序列预测的适用性提供重要的见解。
May, 2024
通过提出一种基于前向和后向残差连接和非常深的全连接层堆叠的深度神经网络结构,我们解决了单变量时间序列点预测问题,实现了比前人更高的准确率,且具有可解释性等良好属性。
May, 2019
设计和实施的 LSTM 神经网络与基于技术分析指标模拟器的 ANN 自定义架构进行了比较分析,并得出了有关每个架构的适用性以及实施所需的时间和计算资源成本的有价值结论。ANN 自定义架构以更高的敏感度、更少的资源和更少的时间产生了更好的预测质量,适用于低功耗计算系统和需要快速决策的应用场景。
May, 2024
本文提出一种基于 Bayesian 图神经网络作为新的代理函数的方法,能够自动提取深度神经架构中的特征,并使用学到的特征来拟合和表征黑箱目标及其不确定性,将其用于应对深度神经架构搜索的挑战性任务,实验结果表明该方法在基准任务上明显优于比较方法。
May, 2019
提出了使用序贯模型优化(SMBO)策略的 CNN 网络结构学习方法,与现有的强化学习和进化算法相比更加高效,并在 CIFAR-10 和 ImageNet 数据集上取得了新的最佳分类精度。
Dec, 2017
对三种用于时间序列预测的架构进行了测试,它们分别包含卷积层、LSTM 层和密集超复数层用于 4D 代数。通过优化与架构类别相关的超参数,比较了最佳神经网络在类别内的性能。结果显示,在大多数情况下,具有超复数密集层的架构与其他架构相比,提供了类似的 MAE 准确性,但可训练参数较少。由于这一特点,超复数神经网络可以比其他测试的架构更快地学习和处理数据。此外,输入时间序列的顺序对有效性产生影响。
Jan, 2024
本文提出了一种学习概率图模型的方法,该方法通过优化图分布的平均性能来学习未知的图结构,并且通过神经网络参数化图分布,能够可微分地对离散图进行采样。实证评估表明,该方法比最近提出的双层学习方法以及基于深度学习或非深度学习,基于图形或非图形的预测模型更为简单,高效,性能更好。
Jan, 2021