惊人的论文……> Pic credits : PinterestQlib：面向AI的量化投资平台作者：杨晓，刘卫清，周冬，姜边，刘铁岩摘要—量化投资旨在在一系列金融工具上的一连生意业务期间内，最大化回报，并最大水平地降低风险。最近，受AI技术的飞速生长和庞大潜力的启发，该技术在定量投资方面发生了显着的创新，因此越来越多地接纳AI驱动的事情流举行定量研究和实际投资。在富厚定量投资方法的同时，人工智能技术对定量投资系统提出了新的挑战。

特别是，用于定量投资的新学习规范要求对基础设施举行升级，以适应更新后的事情流程；此外，人工智能技术的数据驱动特性确实讲明对具有更强大性能的基础架构的需求。此外，应用人工智能技术解决财政场景中的差别任务也存在一些奇特的挑战。为了应对这些挑战并弥合AI技术与量化投资之间的差距，我们设计和开发了Qlib，旨在实现潜力，增强研究能力并缔造AI技术在量化投资中的价值。

论文可以在这里找到：https://arxiv.org/pdf/2009.11189v1.pdf代码可以在这里找到：https://github.com/microsoft/qlib自我注意生成反抗网络作者：张涵，伊恩·古德费洛，迪米特里斯·梅塔克萨斯，奥古斯都·奥德纳摘要—自我注意生成反抗网络（SAGAN）允许对图像生成任务举行注意力驱动的远程依赖性建模。传统的卷积GAN生成高分辨率细节，仅作为低分辨率特征图中空间上局部点的函数。在SAGAN中，可以使用来自所有要素位置的提示来生成细节。

此外，判别者可以检查图像的远处部门中的高度详细的特征是否相互一致。此外，最近的事情讲明，发电机调治会影响GAN性能。使用这种看法，我们将频谱归一化应用于GAN生成器，并发现这可以改善训练动态。

拟议中的SAGAN取得了最先进的效果，在具有挑战性的ImageNet数据集上，将最佳已公布的Inception分数从36.8提高到52.52，并将Frechet Inception距离从27.62降低到18.65。注意层的可视化显示生成器使用了与工具形状相对应的邻域，而不是牢固形状的局部区域。论文可以在这里找到：https://arxiv.org/pdf/1805.08318v2.pdf代码可以在这里找到：https://github.com/brain-research/self-attention-ganAdaBelief优化法式：凭据视察梯度中的信念调整步长庄俊堂，汤米（Tommy Tang），丁一凡，Sekhar Tatikonda，尼莎·德沃涅克（Nicha Dvornek），色诺芬·帕帕德米特（Xenophon Papademetris），詹姆斯·邓肯（James S.Duncan）摘要—最受接待的深度学习优化器可大致分为自适应方法（例如Adam）和加速方案（例如具有动量的随机梯度下降（SGD））。对于许多模型，例如卷积神经网络（CNN），与SGD相比，自适应方法通常收敛速度更快，但泛化效果更差。

对于诸如生成反抗网络（GAN）之类的庞大情况，自适应方法通常由于其稳定性而成为默认方法。我们提出AdaBelief同时实现三个目的：自适应方法中的快速收敛，SGD中的良好通用性以及训练稳定性。AdaBelief的直觉是凭据当前梯度偏向上的"信念"调整步长巨细。将噪声梯度的指数移动平均值（EMA）视为下一步的梯度预测，如果视察到的梯度大大偏离了预测，则我们不信任当前的视察效果，而是走了一小步。

如果观察到的梯度靠近于预测值，我们相信它并接纳了较大的步骤。我们在广泛的实验中验证了AdaBelief，讲明它在图像分类和语言建模方面具有快速收敛和高精度的性能，优于其他方法。详细来说，在ImageNet上，AdaBelief的准确性可与SGD相提并论。

此外，在Cifar10上举行GAN训练时，与经由良好调整的Adam优化器相比，AdaBelief体现出高稳定性并提高了生成样本的质量。论文可以在这里找到：https://arxiv.org/pdf/2010.07468v4.pdf代码可以在这里找到：https://github.com/juntang-zhuang/Adabelief-Optimizer全卷积网络的端到端目的检测王建峰，林松，李泽明，孙宏斌，孙建，郑南宁摘要—基于全卷积网络的主流目的检测器取得了令人印象深刻的性能。

只管它们中的大多数仍需要手动设计的非最大抑制（NMS）后处置惩罚，这阻碍了全面的端到端培训。在本文中，我们对抛弃NMS举行了分析，效果讲明适当的标签分配起着至关重要的作用。

为此，对于全卷积检测器，我们引入了预测感知的一对一（POTO）标签分配举行分类，以实现端到端检测，并获得了与NMS相当的性能。此外，提出了一种简朴的3D最大滤波（3DMF），以使用多尺度特征并提高局部区域卷积的可分辨性。

借助这些技术，我们的端到端框架在COCO和CrowdHuman数据集上使用NMS可以与许多最先进的检测器相媲美。论文可以在这里找到：https://arxiv.org/pdf/2012.03544v1.pdf代码可以在这里找到：https://github.com/Megvii-BaseDetection/DeFCN注意液体翘曲GAN：用于人类图像合成的统一框架刘雯，朴志新，智途，罗文涵，马琳，高盛华摘要—我们在统一的框架内处置惩罚人的图像合成，包罗人的行动模拟，外观转换和新。

本文来源：开云app登录-www.appkent.com