TensorFlow和Colab上的差分ML
我和 Brian Brian在Danske Bank进行了六个月的人工智能（AI）函数逼近研究和开发后，刚刚发表了一篇工作论文 。一个主要发现是，当训练标签和训练输入的梯度可用时，用于回归（即，值的预测，而不是类别的预测）的训练机器学习（ML）模型可能会得到极大改善。给定那些差异标签，我们可以编写简单但无合理用的训练算法，该算法能够以稳定的方式从小型数据集中以惊人的速度和准确性学习精确的函数逼近，而无需进行其他正则化或超参数优化（例如通过交叉运算） -验证。   
在本文中，我们以差分机器学习的名义简要总结了这些算法，重点介绍了主要的直觉和好处，并评论了TensorFlow实现代码。所有详细信息都可以在工作文件，在线附录 和  Colab笔记本中找到。
在金融衍生产品定价近似的情况下，使用蒙特卡洛模型模拟训练集。每个训练示例都是在一条蒙特卡洛路径上进行模拟的，其中标签是交易的最终收益，输入是市场的初始状态向量。差异标签是支付收益到状态的路径梯度，并使用自动伴随差异（AAD）进行有效计算。 因此，差分机器学习在金融领域特别有效，尽管它也适用于可提供高质量一阶导数和训练输入的所有其他情况。        
在不仅包含输入和标签，还包含差异的增强数据集上训练模型：

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！