Обсуждение статьи "Нейросети — это просто (Часть 21): Вариационные автоэнкодеры (VAE)"

[MetaQuotes]

Опубликована статья Нейросети — это просто (Часть 21): Вариационные автоэнкодеры (VAE):

В прошлой статье мы познакомились с алгоритмом работы автоэнкодера. Как и любой другой алгоритм, он имеет свои достоинства и недостатки. В оригинальной реализации автоэнкодер выполняет задачу максимально разделить объекты из обучающей выборки. А о том, как бороться с некоторыми его недостатками мы поговорим в этой статье.

Для проверки работы нашего вариационного автоэнкодера я взял модель из предыдущей статьи и пересохранил её в новом файле "vae.mq5". В той модели энкодер возвращал 2 значения на 5 нейронном слое. С целью правильной организации работы вариационного автоэнкодера я увеличил размер слоя на выходе энкодера до 4 нейронов. И вставил 6-м наш новый нейронный слой работы с латентным состоянием вариационного автоэнкодера. Обучение модели проводилось на инструменте EURUSD и таймфрейме H1 без изменения параметров. Временной отрезок для обучения модели был выбран в размере последних 15 лет. Сравнительный график динамики обучения многослойного и вариационного автоэнкодеров представлен на рисунке ниже.

 

Как можно заметить, по результатам обучения моделей, вариационный автоэнкодер показал значительно ниже ошибку восстановления данных на протяжении всего периода обучения. Кроме того, динамика снижения ошибки у вариационного автоэнкодера выше.

По результатам тестирования можно сделать вывод, что для решения задач выделения признаков временных рядов на примере динамики цен EURUSD вариационные автоэнкодеры обладают большим потенциалом в выделении отдельных признаков описания паттернов.

Автор: Dmitriy Gizlyk