Discusión sobre el artículo "Redes neuronales en el trading: Representación adaptativa de grafos (NAFS)"

[MetaQuotes]

Artículo publicado Redes neuronales en el trading: Representación adaptativa de grafos (NAFS):

Hoy le proponemos familiarizarse con el método Node-Adaptive Feature Smoothing (NAFS), que supone un enfoque no paramétrico para crear representaciones de nodos que no requiere entrenamiento de parámetros. El NAFS extrae las características de cada nodo considerando sus vecinos y luego combina adaptativamente dichas características para formar la representación final.

En los últimos años, el aprendizaje de representación de grafos se ha aplicado ampliamente en diversos escenarios, como la clusterización de nodos, la predicción de enlaces, la clasificación de nodos y la clasificación de grafos. El objetivo del aprendizaje de la representación de grafos consiste en codificar la información del grafo en la incorporación de nodos. Los métodos tradicionales de aprendizaje de representaciones de grafos se han centrado en preservar la información sobre la estructura del grafo. Sin embargo, estos métodos tienen dos grandes limitaciones:

1. Arquitectura superficial. Aunque las redes de grafos convolucionales (GCN) emplean múltiples capas superpuestas para captar información estructural profunda, el aumento del número de capas suele dar lugar a un suavizado excesivo y a incorporaciones indistinguibles.
2. Baja escalabilidad. Los métodos de aprendizaje de representación de grafos basados en GNN no pueden ampliarse a grafos de gran tamaño debido a su elevado coste computacional y al elevado uso de memoria.

Los problemas indicados fueron abordados por los autores del artículo "NAFS: A Simple yet Tough-to-beat Baseline for Graph Representation Learning", en el que se presenta un nuevo método para representar grafos simplemente suavizando las características de los nodos seguido de combinatoria adaptativa. El método (Node-Adaptive Feature Smoothing—NAFS) crea mejores incorporaciones de nodos que integran información tanto de la estructura del grafo como de las características de los nodos. Basándose en la observación de que los distintos nodos tienen "índices de suavizado" muy diferentes, el NAFS suaviza de forma adaptativa las características de cada nodo y utiliza la información de vecindad de bajo y alto orden de cada nodo. Además, el conjunto de características también se usa para combinar las características suavizadas extraídas mediante distintos operadores de suavizado. Como el NAFS no requiere entrenamiento, reducirá significativamente el coste del aprendizaje y se adaptará mejor a grafos de gran tamaño.

Autor: Dmitriy Gizlyk