نویسنده (ها): شنگگانگ لی
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
ترکیبی از تعبیه N-Gram ، خودآگاهی از تعداد آگاه و ARMA با وزنه برداری برای پیش بینی های توزیع چند افق
من با تبدیل سیگنال های پیچیده به الگوهای 0/1 پیش بینی سری زمانی باینری خالص را پیش بینی می کنم-سهام بالا/پایین ، خرید/خرید ، ژن روشن/خاموش – برای از بین بردن سر و صدا و آشکار کردن تغییرات واقعی. پیش بینی این سکانس ها به من اجازه می دهد تا رژیم های بازار ، پرچم مشتری و مدل را تشخیص دهم ژنمسیرهای فعال سازی.
رویکرد من نقوش نمادین n-gram ، خودآگاهی از تعداد آگاه و با وزن مجدد را فیوز می کند آمار به یک شبکه عصبی. این هیبرید به من اجازه می دهد تا هر دو الگوهای کوتاه مدت دقیق و تعامل با برد بلند را بدون دستکاری ماژول های جداگانه یاد بگیرم.
من این مدل را BinaryTrendformer می نامم: یک چارچوب چند کاره تک و چند کاره که احتمال بالا/پایین را پیش بینی می کند و توزیع کامل K-Step را پیش بینی می کند. من آن را با استفاده از معیارهای نقطه (ورود به سیستم ، AUROC) و نمرات توزیع (RPS ، پوشش فاصله) معیار می کنم ، سپس فواصل عدم اطمینان آموخته شده من را در برابر مرزهای CLT ساده مقایسه می کنم.
نتیجه یک راه حل مختصر ، پلاگین و بازی است که می توانم برای هرگونه چالش پیش بینی باینری اعمال کنم-خواه من در حال الگوبرداری از روندهای مالی ، سفرهای مشتری ، سوئیچ ژن یا جریان رویداد سنسور باشم.
یک جریان از 0 و 1 را که سوسو می زند ، تصویر کنید. ما در رقم بعدی شرط بندی می کنیم – و چند نفر 1 در جلو قرار دارند. در این جلسه ، الگوهای ساده با توجه شدید به شرط بندی های باهوش تر و مطمئن تر ، تیم های ساده تر.
یک سری زمانی باینری {x_t} مجموعه ای از صفرها و آنهایی است که – دستگاه … وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی
منبع: https://towardsai.net/p/machine-learning/hybrid-attention-for-binary-sequence-forecasting