MoFE: Nuovo framework di IA combina operatori neurali di Fourier e Mixture-of-Experts per la previsione delle criptovalute
Un recente preprint su arXiv (2608.17342v1) presenta MoFE, un modello di deep learning progettato per prevedere le tendenze delle criptovalute che integra gli operatori neurali di Fourier (FNO) all'interno di una struttura Mixture-of-Experts (MoE). Questo framework considera la volatilità delle criptovalute come una combinazione di vari elementi di frequenza, come reti di utenti, spese di mining, eventi di halving e sentiment di mercato. MoFE impiega operatori neurali di Fourier adattivi (AFNO) ed esperti convoluzionali dual-domain per mappare funzioni continue. Gli autori sottolineano le difficoltà nella previsione a causa della non stazionarietà e dei bruschi cambi di regime. Scomponendo la volatilità in componenti di frequenza separate, MoFE migliora l'accuratezza delle previsioni. Il nome del framework riflette la sua integrazione di Mixture-of-Experts con gli operatori neurali di Fourier. Il documento completo è disponibile all'indirizzo https://arxiv.org/abs/2608.17342.
Fatti principali
- MoFE è un framework di deep learning per la previsione delle criptovalute.
- MoFE integra gli operatori neurali di Fourier (FNO) in un'architettura Mixture-of-Experts (MoE).
- Il framework è radicato nelle equazioni differenziali stocastiche.
- La volatilità delle criptovalute è concettualizzata come una sovrapposizione di componenti multi-frequenza.
- Le componenti includono la crescita fondamentale basata sulla rete di utenti, i costi di mining e la volatilità stagionale del meccanismo di halving, e il caos indotto dal sentiment di mercato.
- MoFE utilizza FNO adattivi specializzati (AFNO) ed esperti convoluzionali dual-domain.
- Gli esperti apprendono mappature continue da funzione a funzione.
- Il documento è identificato come arXiv:2608.17342v1.
- I modelli di deep learning convenzionali spesso producono previsioni con sfasamento persistente.
- Le sfide citate sono la non stazionarietà, i bruschi cambi di regime e le dipendenze stocastiche multi-scala.
Entità
—