ТУСУР протестировал новые методы обучения ИИ на прогнозах стоимости акций

Екатерина Грибанова занимается исследованием нейросетей в рамках проекта Российского научного фонда (РНФ) «Применение методов решения обратных некорректных задач в машинном обучении».

«Мы взяли методы решения обратных задач и их применили для обучения нейросети, - рассказала исследователь. - То есть нейросетевая модель - она стандартная, отличие лишь в способах ее обучения. Мы рассматривали прогнозирование акций, собирали финансовые данные и "строили" разреженную нейронную сеть, которая прогнозирует дивиденды и стоимость акций. Также мы собирали информацию с тематических форумов инвесторов, чтобы посмотреть, как их активность и настроение влияют на цену и дивиденды, и генерировали синтетические показатели для нейронной сети с помощью больших языковых моделей относительно инвестиционного климата. В рамках эксперимента, связанного с образованием - брали данные по студентам и смотрели, как их разная активность влияет на успеваемость, то есть там, допустим, посещение лекций, выполнение лабораторных работ, прохождение электронных курсов».

По ее словам, методы решения обратных задач — это приемы, позволяющие находить неизвестные параметры системы на основе наблюдаемых данных, восстанавливать первоначальные условия по конечному результату.

Екатерина Грибанова пояснила, что предложенный метод обучения позволяет создавать модели, которые обеспечивают более точное прогнозирование с меньшими вычислительными затратами.

«Мы дальше эти методы будем применять для задачи кластеризации данных, то есть разделения, будем строить гибридные алгоритмы, то есть этот метод обучения будем совмещать с классическими, - уточнила исследователь. – Кроме того, мы планируем рассматривать данные методы обучения на других видах нейросетей: в настоящий момент мы рассмотрели только полносвязную сеть, в дальнейшем планируем работать с рекуррентными и сверточными, генеративными».