Dieser Artikel präsentiert DoubleAdapt, ein End-to-End-Framework für inkrementelles Lernen zur Vorhersage von Aktienkurstrends. Der Kernbeitrag ist die Einführung von zwei Adaptern, die das Modell und die Daten anpassen, um die Auswirkungen von Verteilungsverschiebungen zu mildern.
Der Datatenadapter besteht aus einer mehrkopfigen Merkmalsanpassungsschicht und einer mehrkopfigen Labelanpassungsschicht, um die Verteilungen der inkrementellen Daten und der Testdaten an eine lokal stationäre Verteilung anzupassen. Der Modelladapter initialisiert die Modellparameter für jede inkrementelle Lernaufgabe so, dass sie sich schnell an die angepassten inkrementellen Daten anpassen und gleichzeitig eine gewisse Robustheit gegenüber Verteilungsverschiebungen beibehalten.
Durch die Formulierung jeder inkrementellen Lernaufgabe als Meta-Lernaufgabe können die beiden Adapter automatisch optimiert werden, um eine profitable Datenanpassung und eine vorteilhafte Parameterinitialisierung zu erreichen. Die Experimente auf realen Aktiendatensätzen zeigen, dass DoubleAdapt den Stand der Technik übertrifft und eine hohe Effizienz aufweist.
toiselle kielelle
lähdeaineistosta
arxiv.org
Tärkeimmät oivallukset
by Lifan Zhao,S... klo arxiv.org 04-09-2024
https://arxiv.org/pdf/2306.09862.pdfSyvällisempiä Kysymyksiä