Обсуждение статьи "Нейросети — это просто (Часть 94): Оптимизация последовательности исходных данных"
'NeuroNet.cl' as 'const string cl_program' NeuroNet.cl 1 1
Не компилируется.
Еще вопрос. Можно пробовать работать с ним без использования старых данных? И в каком порядке запускать?
Где искать файл #include "legendre.mqh"?
star-ik #:
Где искать файл #include "legendre.mqh"?
Где искать файл #include "legendre.mqh"?
Указанная библиотека использовалась в FEDformer. В рамках данной статьи строку можно просто удалить.
Нейросети — это просто (Часть 89): Трансформер частотного разложения сигнала (FEDformer)
- www.mql5.com
Все рассмотренные нами ранее модели анализируют состояние окружающей среды в виде временной последовательности. Однако, тот же временной ряд можно представить и в виде частотных характеристик. В данной статье я предлагаю вам познакомиться с алгоритмом, который использует частотные характеристики временной последовательности для прогнозирования будущих состояний.
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Нейросети — это просто (Часть 94): Оптимизация последовательности исходных данных:
При работе с временными рядами мы всегда используем исходные данные в их исторической последовательности. Но является ли это оптимальным вариантом? Существует мнение, что изменение последовательности исходных данных позволит повысить эффективность обучаемых моделей. В данной статье я предлагаю Вам познакомиться с одним из таких методов.
При использовании в моделях архитектуры Transformer, эффективность фиксации долгосрочных зависимостей сильно зависит от множества факторов. К ним можно отнести длину последовательности, различные стратегии позиционного кодирования и токенизации данных.
Подобные размышления привели авторов статьи "Segment, Shuffle, and Stitch: A Simple Mechanism for Improving Time-Series Representations" к вопросу оптимальности использования исторической последовательности. Может ли существовать лучшая организация временных рядов, которая позволила бы более эффективно обучать представлениям с учетом поставленной задачи?
В указанной статье авторы представляют простой и готовый к использованию механизм под названием Segment, Shuffle, Stitch (S3), предназначенный для обучения оптимизации представления временных рядов. Как следует из названия, S3 работает путем сегментирования временного ряда на несколько непересекающихся сегментов, перемешивания этих сегментов в наиболее оптимальном порядке, а затем объединения перетасованных сегментов в новую последовательность. Здесь стоит отметить, что порядок перестановки сегментов обучается для каждой конкретной задачи.