文章预览
Content 本文是AI三巨头之一Bengio团队新作，提出了简化版的minGRU及minLSTM。我们将其集成于QuantML-Qlib之中，用于金融市场预测。 Transformer模型虽然在序列建模任务中取得了显著进展，但由于其计算复杂度随序列长度呈二次增长，处理长序列时资源消耗过高。近年来，为了提高效率，出现了多种新型递归序列模型。本文通过重新审视传统的递归神经网络（RNN），尤其是长短期记忆网络（LSTM）和门控循环单元（GRU），提出了一种简化方法，移除其隐藏状态依赖并消除了需要通过时间反向传播（BPTT）的限制，从而使这些模型可以并行化训练。 文章引入了简化版的LSTM和GRU，即minLSTM和minGRU，简化后它们的参数数量显著减少，并且在序列长度为512时，训练速度提高了175倍。实验结果表明，这些简化的RNN模型在计算效率上与最新的序列模型相当，并且在多个任务
………………………………
