【DL輪読会】Neural Redshift: Random Networks are not Random Functions
【DL輪読会】Neural Redshift: Random Networks are not Random Functions | ドクセル
【DL輪読会】Neural Redshift: Random Networks are not Random Functions
拡散モデルを時系列データの欠損補完問題に適用したSSSDモデル
3つの要点 ✔️ 実用上で重要な課題である時系列データの欠損の補完に拡散モデルと構造化状態空間モデルを適用 ✔️ 今までの補完アルゴリズムでは、欠陥シナリオによって性能が劣っていたのが、このモデルで大きく改善 ✔️ 同じメカニズムで、時系列予測問題にも適用 Diffusion-based Time Series Imputation and Forecasting with Structured State Space Models written by Juan Miguel Lopez Alcaraz, Nils Strodthoff (Submitted on 19 Aug 2022) Comments: Published on arxiv. Subjects: Machine Learning (cs.LG); Machine Learning (stat.ML) code： 本
拡散モデルによる金融時系列生成 - Preferred Networks Research & Development
本記事は2023年度PFN夏季インターンシップで勤務された仲吉朝洋さんによる寄稿です。 はじめに こんにちは！PFNの2023年夏季インターンシップに参加させていただいた東京大学修士1年の仲吉です。大学院ではオンラインアルゴリズムについて研究しています。 今回のインターンシップでは、拡散モデルによる金融時系列生成について取り組んでいました。 背景 金融分野において、現実的な金融時系列を生成できると取引戦略の学習やポートフォリオの構築のように多くの応用があります。ここでいう金融時系列とは金融資産の価格変化のことを指しています。 金融時系列生成の先行研究には「Quant GANs: Deep Generation of Financial Time Series」や「Modeling financial time-series with generative adversarial netwo
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
