深度学习终于征服了股票预测?新研究另辟蹊径预测股票价格 | 一周AI最火论文(股票预测分析)

资讯 sddy008 2023-02-02 00:28 335 0

大数据文摘专栏作品

作者:Christopher Dossman

编译:Joey、云舟

呜啦啦啦啦啦啦啦大家好,AI Scholar Weekly栏目又和大家见面啦!

AI ScholarWeekly是AI领域的学术专栏,致力于为你带来最新潮、最全面、最深度的AI学术概览,一网打尽每周AI学术的前沿资讯。

每周更新,做AI科研,每周从这一篇开始就够啦!

本周关键词: 数据隐私、虚拟试穿、股票预测

本周最佳学术研究

人工智能弹性社会

当你听说人工智能的最新进展时,通常会有什么反应?现在,人工智能已经与我们同在,并且为我们今天的社会带来了许多机遇。

但是,威胁呢?我们怎样才能与人工智能共存?人工智能科学家托马斯·巴茨·贝尔斯坦在最近发表的一篇论文中回答了这些问题。

我们已经知道AI可以用于武器或杀手机器人等暴力应用。但还有些威胁同样不容忽视。例如,在翻译、自动驾驶汽车、人脸识别、图像处理等领域,会出现有关隐私隐私、暗箱操作和错误身份的威胁。他建议,通过三种策略,即意识、共识和警示,来让我们的社会成为一个具有人工智能弹性的社会。

人工智能很迷人,越来越多的人开始着迷于人工智能带来的强大应用和便利。但是我们应该信任所有人工智能的成果吗?托马斯说:“我们不反对人工智能,恰恰相反,作为吸引人们加入人工智能的一种方式,我们需要一个具有人工智能弹性的社会。

如今,人们越来越难以信任图像、视频、数据音频、数据、身份等。一个具有人工智能弹性的社会将有助于将人工智能中的未知知识向知识转化,并为已知知识制定规则(法律)。一个具有人工智能弹性的社会将能够帮助我们转变或积极适应新人工智能技术(如生成性对抗网络等)带来的威胁。

TED演讲:

https://www.youtube.com/watch?v=f6c2ngp7rqY&feature=youtu.be

论文:

https://arxiv.org/abs/1912.08786

学习给3D人物穿上生成性服装

现代的深度学习方法能够基于穿着最简单的人体模型,从图像中构造出人体形状。但是,虽然身体姿势与图像观察相匹配,但在大多数情况下,小的身体几何结构与穿着衣服的人并不匹配。

为了应对这一挑战,研究人员提出了 “第一个直接为三维人体网格设计并推广到不同姿势的生成模型”

他们提出了一种条件网格VAE-GAN,它可以捕捉网格的全局形状和局部细节,并根据人体姿势和服装类型进行控制。该模型可以生成服装姿态的相关变形,并推广到各种服装。

研究人员用提出的服装模型扩充了三维人体模型SMPL,并展示了增强的“服装SMPL”的应用。

他们还提供了一个由穿着衣服的人执行运动序列的4D扫描数据集。

这项工作实现了将服装人体建模问题描述为条件生成任务的转化。这一生成模型提供了一种低维、易摆位和可微的方法,可以在不同的体形和姿势上生成不同的服装类型,并具有视觉上可信的结果。

获得可靠的三维体形估计对于许多应用来说都是必不可少的,包括生成训练数据、参数化身体姿势、虚拟试穿、健康监测、化身创建等等。

原文:

https://arxiv.org/abs/1907.13615v2

深度学习预测股票价格

考虑金融市场的诸多因素,实现准确的股票预测也许是这个星球上最困难的事情之一。本文研究者基于深度学习,利用以往的日收益研究了股票在日收益预测中的表现。

它们采用了三种流行的神经网络架构:MLP、CNN和LSTM。他们也使用RF和RSI模型作为基准。这些模型是用几家美国上市公司10年的每日价格数据进行测试的。

结果表明,预测股价的显著变化是可行的。这些模型能够以很高的精度预测资产价格的重大变化,就像思科系统数据上的LSTM模型一样。具体来说,研究表明,与以往的研究相比,取得了更好的结果。

深度学习最近在许多领域取得了惊人的成功。虽然股票预测领域很复杂,但在测试机器学习技术时却是一个令人兴奋的领域。传统的股票预测研究侧重于实际价格的预测或价格变化的方向。相反,这项特别的研究工作侧重于一个相对崭新的领域——预测资产价格的重大变化,结果表明这是一个有前途的研究领域。

原文:

https://arxiv.org/abs/1912.08791

利用视听语音识别对抗性攻击

目前,深度学习可以在诸多分析领域都达到了令人瞩目的精确性,例如图像分类、图像分割和面部识别等。而最近的一项研究则实现了通过深度学习来检测对抗性攻击的威胁。

来自英国的研究人员近日提出了一种简单而有效的针对视听对抗攻击的检测方法,他们表示这一操作的灵感来源于使用时间依赖来检测音频对抗示例的想法。

他们称:“这是这一领域提出的第一个针对视听语音识别进行对抗攻击的方法。

他们将最近对抗攻击的方法分别应用于两个视听语音识别模型,而这两个模型是分别在GRID和LRW数据集上训练的。研究的结果表明,这一新方法能有效检测视听语音识别中的此类攻击。

对抗攻击是AI的最大威胁之一,研究和测试解决这些问题的方法非常重要。这项研究取得的成果是朝着检测对抗攻击迈出的重要一步。

通过对语音识别攻击进行测试,这一新检测方法应对视听对抗攻击时能够展现出比较高的精确性。

原文:

https://arxiv.org/abs/1912.08639

人工代理通过玩隐藏游戏来学习灵活的视觉表示

尽管以前的研究已经能够实现游戏中的“人工智能玩家”,但是这些智能代理所处的环境与现实世界不符,只能提供一些游戏操作指导、很难真正应用到现实的游戏中。

因此,一组研究人员通过互动和游戏尝试去了解“人工智能玩家”在其环境中学习玩游戏的各个方面。

在这项研究中,他们展现了利用增强学习训练的“人工智能玩家”是如何在在高保真、交互式环境中玩一种类似于捉迷藏的游戏,并以此学习他们观察的表示形式,对诸如遮挡、物体可操作性、自由空间和物理障碍。

通过互动、游戏、意图和记忆力,那些“人工智能玩家”的学习变得更接近于生物学动机的学习策略。

在这项工作中取得的成果可以作为用于通过玩耍发展视觉的模型,也可以为评估人工代理学到的知识提供实验框架。这项工作还建议需要将表示学习从静态数据转移到有助于映射到实际环境的体验式、交互式的学习中。

原文:

https://arxiv.org/abs/1912.08195v1

其他爆款论文

全新的高清图像分割方法,适用于对象和场景:

https://arxiv.org/abs/1912.08193v1

第一个全面的大规模高光谱场景,具有近700万个语义标注,可以用于识别汽车、道路和建筑物:

https://arxiv.org/abs/1912.08178v1

Google AI:如何改善机器学习模型中的“分布外检测”:

https://arxiv.org/abs/1906.02845

Facebook AI Research发布新库,用于在模拟代理程序和物理机器人上无缝执行相同代码:

https://arxiv.org/abs/1912.06321

用于执行单个图像视图合成的、新的端到端模型:

https://arxiv.org/abs/1912.08804

数据集

对象检测中物理对抗攻击的数据集——APRICO:

https://arxiv.org/abs/1912.08166v1

AI大事件

如果你的老板知道你什么时候觉得无聊:

https://www.zdnet.com/article/the-weird-future-of-brain-computer-interfaces-replacing-passwords-with-thoughts-and-mind-reading-bosses-who-can-tell-when-you-are-bored/

芬兰向世界免费开放其在线AI速成班:

https://www.elementsofai.com/

深度学习软硬件大动作:NVIDIA发布TensorRT 7,英特尔收购Habana Labs:

https://www.zdnet.com/article/deep-learning-software-vs-hardware-nvidia-releases-tensorrt-7-inference-software-intel-acquires-habana-labs/专栏作者介绍

Christopher Dossman是Wonder Technologies的首席数据科学家,在北京生活5年。他是深度学习系统部署方面的专家,在开发新的AI产品方面拥有丰富的经验。除了卓越的工程经验,他还教授了1000名学生了解深度学习基础。

LinkedIn:

https://www.linkedin.com/in/christopherdossman/

志愿者介绍

后台回复志愿者”加入我们

点「在看」的人都变好看了哦!

评论区