「Best of Both Worlds:Advantages of Hybrid Graph Sequence Models」の著者らは、さまざまなアーキテクチャの強みを統合した統一的なグラフシーケンスモデルであるGSM++を提案しています。このモデルは、グラフトークン化、局所ノードエンコーディング、グローバル依存関係エンコーディングという3つの主要段階を中心に構築されています。この構成は、金融システムにおける局所および大域の関係性の双方を捉えることを可能とし、幅広いタスクに適用できる高い汎用性を持っています。
新しい記事「取引におけるニューラルネットワーク：ハイブリッドグラフシーケンスモデル(GSM++)」はパブリッシュされました:
近年、自然言語処理やコンピュータビジョン分野から応用されたGraph Transformerが特に注目を集めています。長距離依存関係をモデル化できる能力や、不規則な金融構造を効率的に扱える特性により、ボラティリティ予測、市場の異常検知、最適な投資戦略の構築といったタスクにおいて有望な手法です。しかし、従来のTransformerは計算コストが高く、順序を持たないグラフ構造への適応が難しいといった根本的な課題があります。
「Best of Both Worlds:Advantages of Hybrid Graph Sequence Models」の著者らは、さまざまなアーキテクチャの強みを統合した統一的なグラフシーケンスモデルであるGSM++を提案しています。このモデルは、グラフトークン化、局所ノードエンコーディング、グローバル依存関係エンコーディングという3つの主要段階を中心に構築されています。この構成は、金融システムにおける局所および大域の関係性の双方を捉えることを可能とし、幅広いタスクに適用できる高い汎用性を持っています。
提案モデルの中核をなすのが、階層的グラフトークン化手法です。この手法は、市場データをトポロジーおよび時間的特徴を保持したまま、コンパクトな系列表現へと変換します。標準的な時系列エンコーディング手法と比較して、特徴抽出の品質を向上させるとともに、大規模な市場データの処理を簡素化できます。さらに、階層的トークン化と、Transformerおよびリカレント系モデル（RNNを含む）を含むハイブリッドアーキテクチャを組み合わせることで、複数のタスクにおいて優れた性能を示します。このことから、この手法は複雑な金融データセットを扱うための強力なツールとなります。
作者: Dmitriy Gizlyk