Финансовые снимки: где мульти-вью помогает, а где подводит
![Наблюдения показывают, что поздняя схема слияния (обозначенная как *-cons) демонстрирует более плавное снижение точности, измеряемое как [latex]\mathrm{MCC}(\epsilon\_{\mathrm{adv}})[/latex], по сравнению с ранней схемой слияния при атаках на индикаторный вид, вид оhlcv и их совместном возмущении с использованием методов FGSM и PGD при [latex]\tau = 0.006[/latex].](https://arxiv.org/html/2602.11020v1/x5.png)
Новое исследование показывает, что кажущаяся надежность мульти-вью анализа финансовых данных может быть обманчива, и даже небольшие искажения способны серьезно повлиять на точность прогнозов.

![Для анализа сложного состояния [latex]Y_t[/latex], система использует тридцать три агента, каждый из которых управляет отдельной горизонтальной полосой агрегированного состояния, при этом для каждого агента визуализируется его собственное состояние [latex]X_0^{u,i}[latex], демонстрируя декомпозицию сложной задачи на управляемые компоненты, что позволяет исследовать множественные образцы для данной целевой конфигурации.](https://arxiv.org/html/2602.10933v1/figures/main-fig-0-cmp.png)

![При рассмотрении модели многокритериального выбора с 66 элементами и случайным распределением предпочтений, разработанный алгоритм, оптимизирующий устойчивость ассортимента к сдвигам в предпочтениях клиентов (определяемым параметрами [latex]\alpha_{1}, \alpha_{2} \in [0,1][/latex] при расхождении Кульбака-Лейблера не более 0.1), демонстрирует превосходную эффективность по сравнению с альтернативными подходами в максимизации ожидаемой выручки даже при переходе к неблагоприятным моделям выбора.](https://arxiv.org/html/2602.10696v1/x3.png)