ترجمه فارسی مقاله طراحی مدل‌های سری زمانی با ابرشبکه‌ها و پرتفوی‌های تخاصمی

چکیده

This article describes the methods that achieved 4th and 6th place in the forecasting and investment challenges, respectively, of the M6 competition, ultimately securing the 1st place in the overall duathlon ranking. In the forecasting challenge, we tested a novel meta-learning model that utilizes hypernetworks to design a parametric model tailored to a specific family of forecasting tasks. This approach allowed us to leverage similarities observed across individual forecasting tasks while also acknowledging potential heterogeneity in their data generating processes. The model’s training can be directly performed with backpropagation, eliminating the need for reliance on higher-order derivatives and is equivalent to a simultaneous search over the space of parametric functions and their optimal parameter values. The proposed model’s capabilities extend beyond M6, demonstrating superiority over state-of-the-art meta-learning methods in the sinusoidal regression task and outperforming conventional parametric models on time-series from the M4 competition. In the investment challenge, we adjusted portfolio weights to induce greater or smaller correlation between our submission and that of other participants, depending on the current ranking, aiming to maximize the probability of achieving a good rank.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله روشهایی که به ترتیب در چالش های پیش بینی و سرمایه گذاری ، به ترتیب از رقابت M6 به مقام چهارم و ششم رسیده است ، در نهایت مقام اول را در رده بندی کلی دواتلون کسب می کند.در چالش پیش بینی ، ما یک مدل یادگیری متا جدید را آزمایش کردیم که از Hypernetworks برای طراحی یک مدل پارامتری متناسب با یک خانواده خاص از کارهای پیش بینی استفاده می کند.این رویکرد به ما این امکان را می دهد تا از شباهت هایی که در وظایف پیش بینی فردی مشاهده می شود ، استفاده کنیم و در عین حال ناهمگونی بالقوه در فرآیندهای تولید داده های خود را نیز تصدیق کنیم.آموزش مدل می تواند به طور مستقیم با استفاده از backpropagation انجام شود و نیاز به اعتماد به مشتقات مرتبه بالاتر را از بین ببرد و معادل یک جستجوی همزمان در فضای توابع پارامتری و مقادیر پارامتر بهینه آنها باشد.قابلیت های مدل پیشنهادی فراتر از M6 گسترش می یابد ، و برتری نسبت به روشهای فوق العاده یادگیری در کار رگرسیون سینوسی و بهتر از مدل های پارامتری معمولی در سری زمان از رقابت M4 نشان می دهد.در چالش سرمایه گذاری ، ما وزن نمونه کارها را تنظیم کردیم تا همبستگی بیشتر یا کوچکتر بین ارسال ما و سایر شرکت کنندگان ، بسته به رتبه فعلی ، با هدف حداکثر رساندن احتمال دستیابی به یک رتبه خوب ایجاد کنیم.