本研究提出了一种新的框架，以发展有效又令人难以捉摸的神经架构，以便使用技术指标作为输入的股票市场指数的运动预测。根据高效的市场假设下的稀疏信噪比，开发机器学习方法预测金融市场的运动使用技术指标表明是一个具有挑战性的问题。为此，神经架构搜索被构成为多标准优化问题，以平衡施加的复杂性的功效。此外，还调查了可能存在于预科内的不同优势交易趋势的影响，并进行了内部内部延期。 AN $ \ epsilon- $约束框架被提出作为提取可能相互冲突的预科数据潜在的任何一致信息的补救措施。此外，为多标准神经结构搜索提出了一种新的搜索范例，二维群（2ds），其将稀疏性显式集成为粒子群中的额外搜索维度。通过考虑遗传算法和具有基于滤光片的特征选择方法（MRMR）作为基线方法，通过考虑遗传算法和经验神经设计规则的几种组合来进行所述方法的详细比较评估。这项研究的结果令人信服地证明了所提出的方法可以通过更好的泛化能力发展扩大的网络。
translated by 谷歌翻译
我们使用无监督方法为Birdclef 2022挑战构建了分类模型。我们使用音频图案的频谱图表示，对训练数据集的无监督表示。我们的最佳模型在公共排行榜上以0.48的成绩表现出色。
translated by 谷歌翻译