Diskussion zum Artikel "Neuronale Netze im Handel: Der Contrastive Muster-Transformer"
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 im Handel: Der Contrastive Muster-Transformer :
Bei der Analyse von Marktsituationen mithilfe von maschinellem Lernen konzentrieren wir uns häufig auf einzelne Kerzen und ihre Eigenschaften und übersehen dabei Kerzen-Muster, die häufig aussagekräftigere Informationen liefern. Muster stellen stabile Kerzen-Strukturen dar, die unter ähnlichen Marktbedingungen entstehen und wichtige Verhaltenstendenzen aufzeigen können.
Zuvor erforschten wir Molformer, das aus dem Bereich der Vorhersage molekularer Eigenschaften stammt. Die Autoren des Molformer haben atomare und motivische Darstellungen in einer einzigen Sequenz kombiniert, wodurch das Modell auf strukturelle Informationen über die analysierten Daten zugreifen kann. Dieser Ansatz brachte jedoch die komplexe Herausforderung mit sich, die Abhängigkeiten zwischen Knoten unterschiedlicher Typen zu trennen. Glücklicherweise gibt es alternative Methoden, die dieses Problem umgehen.
Ein solches Beispiel ist der Atom-Motif Contrastive Transformer (AMCT), der in der Veröffentlichung „Atom-Motif Contrastive Transformer for Molecular Property Prediction“ vorgestellt wurde. Um die beiden Ebenen der Interaktion zu integrieren und die Repräsentationskapazität von Molekülen zu verbessern, schlugen die Autoren von AMCT ein kontrastives Lernen zwischen Atom- und Motivrepräsentationen vor. Da es sich bei der Darstellung von Atomen und Motiven eines Moleküls im Wesentlichen um zwei verschiedene Ansichten desselben Objekts handelt, werden sie beim Training natürlich aufeinander abgestimmt. Durch diesen Abgleich können sie gegenseitig selbstüberwachte Signale liefern und so die Robustheit der erlernten molekularen Darstellungen verbessern.
Autor: Dmitriy Gizlyk