文章 "交易中的神经网络：搭配区段注意力的参数效率变换器（PSformer）"
我发现第二个参数 "SecondInput "未使用，因为 CNeuronBaseOCL 的 feedForward 方法有两个参数，内部调用的是单参数版本。您能确认这是否是一个错误吗？
class CNeuronBaseOCL : public CObject { ... virtual bool feedForward(CNeuronBaseOCL *NeuronOCL)； virtual bool feedForward(CNeuronBaseOCL *NeuronOCL, CBufferFloat *SecondInput) { return feedForward(NeuronOCL); }. ... } Actor.feedForward((CBufferFloat*)GetPointer(bAccount), 1, false, GetPointer(Encoder),LatentLayer); ？ Encoder.feedForward((CBufferFloat*)GetPointer(bState), 1, false, GetPointer(bAccount))；？
新文章 交易中的神经网络：搭配区段注意力的参数效率变换器（PSformer）已发布：
《PSformer：搭配区段注意力的参数高效变换器，进行时间序列预测》的作者提出了一种基于变换器的创新模型，用于多元时间序列预测，其协同了参数共享原理。
它们引入了一种搭配基于两级区段注意力机制的变换器编码器，其中每个编码器层都包含一个共享参数模块。该模块包含三个含有残差连接的全连接层，允许较低的总体参数数量，同时维持模型组件之间的有效信息交换。为了将注意力专注于区段内，它们应用了一种补片方法，将可变序列拆分为单独的补片。然后，在不同变量中占据相同位置的补片被分组至区段。每区个段都成为单变量补片的空间延伸，有效地将多变量时间序列划分至多个区段。
在每个区段内，注意力机制强化了捕获局部时空关系，而跨区段信息整合提升了整体预测精度。作者还结合了 SAM 优化方法，在不降低学习性能的情况下进一步降低了过度拟合。在长期时间序列预测数据集上拓展实验表明，PSformer 提供了强大的结果。PSformer 在 8 个关键预测基准中的，有 6 个优于最新潮的模型。
作者：Dmitriy Gizlyk