Discussão do artigo "Redes neurais em trading: Modelo universal de geração de trajetórias (UniTraj)"
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Redes neurais em trading: Modelo universal de geração de trajetórias (UniTraj) foi publicado:
Compreender o comportamento de agentes é importante em diversas áreas, mas a maioria dos métodos se concentra em uma única tarefa (compreensão, remoção de ruído ou previsão), o que reduz sua eficácia em cenários reais. Neste artigo, apresento um modelo capaz de se adaptar à solução de diferentes tarefas.
A análise do comportamento de múltiplos agentes é importante em várias áreas, como finanças, direção autônoma e sistemas de videomonitoramento. Para compreender as ações desses agentes, é necessário resolver uma série de tarefas essenciais, como o rastreamento de objetos, a identificação, a modelagem de trajetórias e o reconhecimento de ações. A modelagem de trajetórias é fundamental para a análise dos movimentos dos agentes. Apesar das dificuldades relacionadas à dinâmica do ambiente e às sutis interações entre agentes, houve avanços significativos recentemente na solução desse problema. Os principais progressos se concentram em três áreas-chave: previsão de trajetórias, recuperação de dados ausentes e modelagem espaço-temporal.
No entanto, a maioria das abordagens é especializada para tarefas específicas, o que dificulta sua generalização para outras aplicações. A solução de algumas dessas tarefas exige o uso de dependências espaço-temporais tanto diretas quanto reversas, que geralmente não são consideradas em modelos focados em previsão. Embora outros algoritmos tenham resolvido o problema do cálculo condicional de trajetórias multiagentes, frequentemente ignoram as trajetórias futuras dos agentes, limitando sua utilidade prática na compreensão completa dos movimentos. A previsão de trajetórias futuras é essencial para o planejamento de ações subsequentes, não apenas para reconstruir trajetórias históricas.
No artigo "Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent", é apresentado o modelo universal Unified TrajectoryGeneration (UniTraj), que integra diversas tarefas de manipulação de trajetórias em uma estrutura comum. Em particular, os autores do método unificam diferentes tipos de dados brutos em uma única forma padronizada: uma trajetória arbitrária e incompleta, acompanhada por uma máscara que indica a visibilidade de cada agente em cada instante de tempo. O modelo processa uniformemente os dados brutos de cada tarefa como trajetórias mascaradas, buscando gerar trajetórias completas a partir das incompletas.
Para modelar dependências espaço-temporais em diferentes representações de trajetórias, os autores do método propuseram o módulo Ghost Spatial Masking (GSM), integrado ao codificador baseado em Transformer. Aproveitando as capacidades dos mais recentes modelos populares de espaço de estados (SSM), especialmente o modelo Mamba, os autores adaptam e aprimoram essa abordagem em um codificador temporal bidirecional Mamba para a geração de longo prazo de trajetórias multiagentes. Além disso, eles introduziram um módulo simples, porém eficaz, chamado Bidirectional Temporal Scaled (BTS), que varre amplamente as trajetórias enquanto preserva a integridade das relações temporais na sequência. Os resultados experimentais apresentados no artigo confirmam o excelente desempenho estável do método proposto.
Autor: Dmitriy Gizlyk