加载中...
本文提出 BrownianReLU(Br-ReLU),通过在负输入区引入基于布朗运动的随机路径来平滑并增强 LSTM 中的梯度传播,缓解“死亡 ReLU”现象并使负区间具有可学习的随机扰动机制;在 Apple、GCB、S&P500 的回归与 LendingClub 的分类任务上,Br-ReLU 在多数实验设置中实现了更低的 MSE 和更高的测试 R²,表明其在财务时序预测中的泛化与预测精度优于若干标准激活函数 .
| Data | Mean | Variance |
|---|---|---|
| Apple | 0.326708 | 0.057563 |
| S&P500 | 0.354458 | 0.062592 |
| GCB | 0.341235 | 0.032637 |
| Activation | MSE | R²(Train) | R²(Test) | Epochs |
|---|---|---|---|---|
| BrownianReLU | 0.002035 | 0.9903 | 0.9381 | 49 |
| LeakyReLU | 0.160918 | 0.9543 | 0.5546 | 48 |
| PReLU | 0.043347 | 0.9904 | 0.7425 | 13 |
| ReLU | 0.005931 | 0.9881 | 0.3164 | 36 |
| Tanh | 0.004110 | 0.9592 | 0.7297 | 3 |
| Activation (示例) | Accuracy | Recall | F1 | ROC-AUC |
|---|---|---|---|---|
| BrownianReLU (α=0.925) | 0.6667 | 0.2446 | 0.2290 | 0.5148 |
| BrownianReLU (α=0.944) | 0.7802 | 0.0272 | 0.0476 | 0.5236 |
| ReLU | 0.7030 | 0.1957 | 0.2105 | 0.5218 |
| GELU | 0.6447 | 0.2609 | 0.2291 | 0.5113 |
元数据与概览(引言与报告概览)
逐节深度解读
图表深度解读(重要图/表逐一分析)
图 1(蒙特卡洛路径示意,images/5173be7...,page=3)
图 2–6(α 与 M 变化对 Br‑ReLU 的影响,images/...,page=4 的子图合集)
梯度计算与参数更新(Section 2.2.2,Equations & SGD step)
图 7(预测结果可视化,Apple/GCB/S&P,images/7b4f...,page=9)
估值/性能分析(数值结果深度解读)
风险因素与方法学限制(基于报告内容的批判性视角)
结论性综合(要点回顾与最终判断)
附录 — 参考性图像(报告中主要示例)
若需我进一步:
(以上结论与分析均直接基于所给报告内容并在段末标注了原文页码以便溯源。)
2601.16446.pdf