基於Transformer的端到端高頻風險因子挖掘方法：HRFT
本文提出了一種名為IRFT的端到端機器學習方法，利用Transformer模型從高頻交易數據中自動挖掘公式化的風險因子，並在投資模擬中展現出優於傳統方法的盈利能力。
고빈도 트레이딩 데이터를 활용한 트랜스포머 기반 위험 요인 자동 탐색 및 검증: IRFT 모델 소개
본 논문에서는 고빈도 주식 거래 데이터로부터 시장 변동성을 설명하는 공식적 위험 요인을 자동으로 생성하고 검증하는 IRFT(Intraday Risk Factor Transformer) 모델을 제안합니다.
Mining High-Frequency Risk Factor Collections End-to-End via Transformer for Improved Quantitative Trading
This paper introduces IRFT, a novel Transformer-based model that automates the mining of high-frequency risk factors from stock data, outperforming existing methods in both accuracy and speed, and demonstrating significant potential for enhancing quantitative trading strategies.
GradCraft：透過全面的梯度調整提升多任務推薦系統的效能
GradCraft 是一種針對多任務推薦系統設計的動態梯度平衡方法，它透過依次調整梯度大小和方向，以實現更有效的任務間知識轉移和效能提升。
GradCraft: 전체론적 그래디언트 조정을 통한 멀티태스크 추천 성능 향상
GradCraft는 멀티태스크 추천 시스템에서 그래디언트 크기와 방향을 동적으로 조정하여 작업 간의 간섭을 최소화하고 성능을 향상시키는 새로운 방법입니다.
GradCraft: A Novel Gradient Balancing Method for Enhancing Multi-Task Recommendations
GradCraft, a novel gradient balancing method, significantly improves multi-task recommendation performance by dynamically adjusting gradient magnitudes and resolving gradient direction conflicts globally.
QT-TDM: 트랜스포머 동역학 모델 및 자기회귀 Q-러닝 기반 계획
본 논문에서는 트랜스포머 동역학 모델(TDM)의 뛰어난 예측 성능과 모델 프리 Q-트랜스포머(QT)의 효율성을 결합하여 실시간 계획의 계산 부담을 줄이는 새로운 모델 기반 알고리즘인 QT-TDM을 제안합니다.
QT-TDM: Transformer動態モデルと自己回帰型Q学習を用いた計画
本稿では、Transformer動態モデル（TDM）の高速な推論を実現するために、短期計画とQ-Transformerによる長期的な価値推定を組み合わせた、モデルベースの強化学習アルゴリズムであるQT-TDMを提案する。
QT-TDM: Enhancing Real-Time Planning in Reinforcement Learning by Combining Transformer Dynamics Model and Autoregressive Q-Learning for Improved Speed and Performance
QT-TDM, a novel model-based reinforcement learning algorithm, leverages the strengths of Transformer Dynamics Models (TDM) and Autoregressive Q-Learning to achieve superior performance and sample efficiency in real-time continuous control tasks, effectively addressing the limitations of slow inference speed often associated with TDMs.
Sim-CLIP：一種用於增強視覺語言模型穩健性和語義豐富度的無監督對抗性微調方法
Sim-CLIP 是一種新的無監督對抗性微調方法，可以增強 CLIP 視覺編碼器的穩健性，使其在面對對抗性攻擊時，仍能保留語義豐富性和特異性，從而提升視覺語言模型在各種下游任務中的可靠性和安全性。
© 2024 by Linnk AI