文章 "神经网络变得简单（第 84 部分）：可逆归一化（RevIN）" 新评论 MetaQuotes 2025.01.06 14:53 新文章 神经网络变得简单（第 84 部分）：可逆归一化（RevIN）已发布： 我们已经知晓，输入数据的预处理对于模型训练的稳定性扮演重要角色。为了在线处理 “原始” 输入数据，我们往往会用到批量归一化层。但有时我们需要一个逆过程。在本文中，我们将讨论解决该问题的可能方式之一。 当训练各种自动编码器模型时，我们就遇到了类似的问题。在这些情况下，我们找到了一种解决方案，即采用归一化后的原始数据作为目标。不过，在这种情况下，我们需要不同于输入数据的，描述环境后续状态的数据。论文《可逆实例归一化抵消精确时间序列预测中的分布移位》中提出了解决此问题的方法之一。 论文作者提议一种简单而有效的归一化和逆归一化方法：可逆实例归一化（RevIN）。该算法首先归一化输入序列，然后在模型的输出序列进行逆归一化，以便解决时间序列预测当中的分布移位相关问题。RevIN 是对称结构，按归一化层中输入数据的伸缩和移位相等量值，在逆归一化层中缩放和移位输出，从而将原始分布信息返回到模型输出。 RevIN 是一个灵活的、可训练的层，能够应用于所有任意选择的层，有效地抑制一层中的非稳态信息（实例的平均值和方差），并在近乎对称位置另一层将其恢复，例如输入和输出层。 作者：Dmitriy Gizlyk 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
新文章 神经网络变得简单（第 84 部分）：可逆归一化（RevIN）已发布：
我们已经知晓，输入数据的预处理对于模型训练的稳定性扮演重要角色。为了在线处理 “原始” 输入数据，我们往往会用到批量归一化层。但有时我们需要一个逆过程。在本文中，我们将讨论解决该问题的可能方式之一。
当训练各种自动编码器模型时，我们就遇到了类似的问题。在这些情况下，我们找到了一种解决方案，即采用归一化后的原始数据作为目标。不过，在这种情况下，我们需要不同于输入数据的，描述环境后续状态的数据。论文《可逆实例归一化抵消精确时间序列预测中的分布移位》中提出了解决此问题的方法之一。
论文作者提议一种简单而有效的归一化和逆归一化方法：可逆实例归一化（RevIN）。该算法首先归一化输入序列，然后在模型的输出序列进行逆归一化，以便解决时间序列预测当中的分布移位相关问题。RevIN 是对称结构，按归一化层中输入数据的伸缩和移位相等量值，在逆归一化层中缩放和移位输出，从而将原始分布信息返回到模型输出。
RevIN 是一个灵活的、可训练的层，能够应用于所有任意选择的层，有效地抑制一层中的非稳态信息（实例的平均值和方差），并在近乎对称位置另一层将其恢复，例如输入和输出层。
作者：Dmitriy Gizlyk