我们比较了三种流行的神经架构搜索策略:贝叶斯优化、超带法和强化学习,在金融时间序列预测的背景下。
Mar, 2024
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
通过 SEARCH 可自动生成适用于大规模数据的优化深度学习架构,达到比人工设计与现有的自动生成 CTS 模型更好的性能表现。
Nov, 2022
本文概述了深度学习建模在时序数据领域的应用,介绍了单步和多步预测中通用的编码器和解码器的设计,分析了每一种方法如何加入时间信息以提高预测结果。接下来,介绍了深度学习和统计模型的混合模型在时间序列预测中的最新进展,最后讨论了深度学习如何为决策支持提供便利。
Apr, 2020
本文通过分类讨论搜索空间、搜索策略与性能估计策略三种维度,为神经架构自动搜索方法的存在研究提供了一个概述。
Aug, 2018
本研究提出了一种可扩展的分层预测方法,利用基础时间序列的系数对分层约束进行建模,并使用一个随时间变化的线性自回归模型,同时考虑了相对时间序列预测的协调约束,实验证明该方法相较于现有分层模型具有显著的预测性能提升。
Jun, 2021
本文介绍一种基于图形结构的方法,用于在时间序列预测的深度学习中统一相对和层次的归纳偏见,该方法相对其他方法效果更佳。
May, 2023
过去十年,深度学习的发展在计算机视觉、自然语言理解、语音识别和强化学习等多个领域取得了重大突破。神经架构搜索是自动化机器学习的必然发展方向,已经在很多任务上超过了最好的人类设计架构。本文概述不同的搜索空间、算法和加速技术,并介绍了基准、最佳实践、其他综述和开放源代码库。
Jan, 2023
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
这篇论文介绍了一种针对复杂层次结构的新型 Hierarchical GNN(DeepHGNN)框架,该框架通过创新的基于图的层次插值和端到端的协调机制,在多个层次上确保了预测的准确性和一致性,同时在层次之间共享信号,以解决层次预测中的一个关键挑战。
May, 2024