@article{LongdeMeloHeetal.2020,
  author    = {Long, Xiang and de Melo, Gerard and He, Dongliang and Li, Fu and Chi, Zhizhen and Wen, Shilei and Gan, Chuang},
  title     = {Purely attention based local feature integration for video classification},
  series = {IEEE Transactions on Pattern Analysis and Machine Intelligence},
  volume    = {44},
  journal   = {IEEE Transactions on Pattern Analysis and Machine Intelligence},
  number    = {4},
  publisher = {Inst. of Electr. and Electronics Engineers},
  address   = {Los Alamitos},
  issn      = {0162-8828},
  doi       = {10.1109/TPAMI.2020.3029554},
  pages     = {2140 -- 2154},
  year      = {2020},
  abstract  = {Recently, substantial research effort has focused on how to apply CNNs or RNNs to better capture temporal patterns in videos, so as to improve the accuracy of video classification. In this paper, we investigate the potential of a purely attention based local feature integration. Accounting for the characteristics of such features in video classification, we first propose Basic Attention Clusters (BAC), which concatenates the output of multiple attention units applied in parallel, and introduce a shifting operation to capture more diverse signals. Experiments show that BAC can achieve excellent results on multiple datasets. However, BAC treats all feature channels as an indivisible whole, which is suboptimal for achieving a finer-grained local feature integration over the channel dimension. Additionally, it treats the entire local feature sequence as an unordered set, thus ignoring the sequential relationships. To improve over BAC, we further propose the channel pyramid attention schema by splitting features into sub-features at multiple scales for coarse-to-fine sub-feature interaction modeling, and propose the temporal pyramid attention schema by dividing the feature sequences into ordered sub-sequences of multiple lengths to account for the sequential order. Our final model pyramidxpyramid attention clusters (PPAC) combines both channel pyramid attention and temporal pyramid attention to focus on the most important sub-features, while also preserving the temporal information of the video. We demonstrate the effectiveness of PPAC on seven real-world video classification datasets. Our model achieves competitive results across all of these, showing that our proposed framework can consistently outperform the existing local feature integration methods across a range of different scenarios.},
  language  = {en}
}
@phdthesis{Gomolka2011,
  author    = {Gomolka, Johannes},
  title     = {Algorithmic Trading},
  publisher = {Universit{\"a}tsverlag Potsdam},
  address   = {Potsdam},
  isbn      = {978-3-86956-125-7},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus-51009},
  school      = {Universit{\"a}t Potsdam},
  pages     = {383},
  year      = {2011},
  abstract  = {Die Elektronisierung der Finanzm{\"a}rkte ist in den letzten Jahren weit vorangeschritten. Praktisch jede B{\"o}rse verf{\"u}gt {\"u}ber ein elektronisches Handelssystem. In diesem Kontext beschreibt der Begriff Algorithmic Trading ein Ph{\"a}nomen, bei dem Computerprogramme den Menschen im Wertpapierhandel ersetzen. Sie helfen dabei Investmententscheidungen zu treffen oder Transaktionen durchzuf{\"u}hren. Algorithmic Trading selbst ist dabei nur eine unter vielen Innovationen, welche die Entwicklung des B{\"o}rsenhandels gepr{\"a}gt haben. Hier sind z.B. die Erfindung der Telegraphie, des Telefons, des FAX oder der elektronische Wertpapierabwicklung zu nennen. Die Frage ist heute nicht mehr, ob Computerprogramme im B{\"o}rsenhandel eingesetzt werden. Sondern die Frage ist, wo die Grenze zwischen vollautomatischem B{\"o}rsenhandel (durch Computer) und manuellem B{\"o}rsenhandel (von Menschen) verl{\"a}uft. Bei der Erforschung von Algorithmic Trading wird die Wissenschaft mit dem Problem konfrontiert, dass keinerlei Informationen {\"u}ber diese Computerprogramme zug{\"a}nglich sind. Die Idee dieser Dissertation bestand darin, dieses Problem zu umgehen und Informationen {\"u}ber Algorithmic Trading indirekt aus der Analyse von (Fonds-)Renditen zu extrahieren. Johannes Gomolka untersucht daher die Forschungsfrage, ob sich Aussagen {\"u}ber computergesteuerten Wertpapierhandel (kurz: Algorithmic Trading) aus der Analyse von (Fonds-)Renditen ziehen lassen. Zur Beantwortung dieser Forschungsfrage formuliert der Autor eine neue Definition von Algorithmic Trading und unterscheidet mit Buy-Side und Sell-Side Algorithmic Trading zwei grundlegende Funktionen der Computerprogramme (die Entscheidungs- und die Transaktionsunterst{\"u}tzung). F{\"u}r seine empirische Untersuchung greift Gomolka auf das Multifaktorenmodell zur Style-Analyse von Fung und Hsieh (1997) zur{\"u}ck. Mit Hilfe dieses Modells ist es m{\"o}glich, die Zeitreihen von Fondsrenditen in interpretierbare Grundbestandteile zu zerlegen und den einzelnen Regressionsfaktoren eine inhaltliche Bedeutung zuzuordnen. Die Ergebnisse dieser Dissertation zeigen, dass man mit Hilfe der Style-Analyse Aussagen {\"u}ber Algorithmic Trading aus der Analyse von (Fonds-)Renditen machen kann. Die Aussagen sind jedoch keiner technischen Natur, sondern auf die Analyse von Handelsstrategien (Investment-Styles) begrenzt.},
  language  = {de}
}