Diskussion zum Artikel "Neuronale Netze leicht gemacht (Teil 96): Mehrskalige Merkmalsextraktion (MSFformer)"
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Neuer Artikel Neuronale Netze leicht gemacht (Teil 96): Mehrskalige Merkmalsextraktion (MSFformer) :
Die effiziente Extraktion und Integration von langfristigen Abhängigkeiten und kurzfristigen Merkmalen ist nach wie vor eine wichtige Aufgabe bei der Zeitreihenanalyse. Ihr richtiges Verständnis und ihre Integration sind notwendig, um genaue und zuverlässige Prognosemodelle zu erstellen.
Die Autoren des Modells MSFformer schlagen eine innovative Architektur des pyramidalen Aufmerksamkeitsmechanismus in verschiedenen Zeitintervallen vor, die ihrer Methode zugrunde liegt. Um mehrstufige, zeitliche Informationen in den Eingabedaten zu konstruieren, verwenden sie außerdem die Merkmalsfaltung im großräumigen Konstruktionsmodul CSCM (Coarser-Scale Construction Module). Dies ermöglicht es ihnen, zeitliche Informationen auf einer gröberen Ebene zu extrahieren.
Das Modul CSCM konstruiert einen Baum von Merkmalen der analysierten Zeitreihen. Hier werden die Eingaben zunächst durch eine voll verknüpfte Schicht geleitet, um die Dimensionalität der Merkmale auf eine feste Größe zu transformieren. Dann werden mehrere aufeinander folgende, speziell entwickelte FCNN-Merkmalsfaltungsblöcke verwendet.
Im Block FCNN werden zunächst Merkmalsvektoren gebildet, indem Daten aus der Eingabesequenz unter Verwendung eines bestimmten Kreuzschritts extrahiert werden. Diese Vektoren werden dann kombiniert. Die kombinierten Vektoren werden dann einer Faltungsoperation unterzogen. Die Visualisierung des Blocks FCNN durch den Autor ist unten dargestellt.
The CSCM module proposed by the authors uses several consecutive FCNN blocks. Each of them, using the results of the previous block as input, extracts features of a larger scale.
Das von den Autoren vorgeschlagene Modul CSCM verwendet mehrere aufeinanderfolgende FCNN-Blöcke. Jeder dieser Blöcke verwendet die Ergebnisse des vorhergehenden Blocks als Eingabe und extrahiert Merkmale in größerem Umfang.
Autor: Dmitriy Gizlyk