Lindsay Corporation: Hold Recommendation Amidst Mixed Signals and Price Target Dip

Lindsay Corporation stock has a 'Hold' rating. Analysts predict a price target of $136.00, a 2.63% drop. See why.

#LindsayCorp, #LNN, #StockMarket, #Investment, #Omaha

https://newsletter.tf/lindsay-corp-stock-hold-rating-price-target-136/

Lindsay Corporation's average 12-month price target is $136.00, which is 2.63% lower than its current price. This comes after a Q4 earnings shortfall.

#LindsayCorp, #LNN, #StockMarket, #Investment, #Omaha
https://newsletter.tf/lindsay-corp-stock-hold-rating-price-target-136/

Укрощаем рыночный хаос: Пишем Liquid Neural Network (LNN) на PyTorch для алготрейдинга

Если вы когда-нибудь пытались натравить классическую LSTM на минутные свечи волатильных активов, вы знаете эту боль. Сначала Loss красиво падает на трейне, вы предвкушаете покупку острова, а на тесте модель превращается в тыкву. Она либо предсказывает скользящую среднюю со сдвигом на один шаг, либо упирается в «стену» Loss = 0.693 (то есть −ln(0.5)), сводя всё к подбрасыванию монетки. Проблема не в вас. Проблема в том, что рекуррентные сети (RNN, LSTM, GRU) живут в дискретном времени. Для них шаг между 10:00 и 10:01 абсолютно идентичен шагу между пятницей и утром понедельника. Они не умеют сжимать и растягивать восприятие времени, когда волатильность взрывается. В этой статье мы отойдем от мейнстримных архитектур и напишем с нуля Liquid Neural Network (Жидкую Нейронную Сеть) . Мы заставим время течь непрерывно, используя численные методы дифференциальных уравнений прямо внутри PyTorch-графа, и посмотрим, как она вытаскивает скрытый макро-тренд из абсолютного рыночного хаоса. Теория без воды: Что делает сеть «жидкой»? Концепция Liquid Time-Constant Networks была представлена исследователями из Лаборатории искусственного интеллекта MIT (CSAIL). Их изначальная цель — управление дронами и автопилотами в непредсказуемой среде. Но финансовые рынки — это та же турбулентность, только выраженная в долларах , рублях и других валютах. В классической RNN скрытое состояние $h_t$ обновляется по дискретным шагам: $$h_t = \tanh(W_{in} x_t + W_h h_{t-1} + b)$$ В Liquid Network мы отказываемся от дискретности. Состояние нейрона $h(t)$ — это непрерывная переменная, описываемая обыкновенным дифференциальным уравнением (ОДУ):

https://habr.com/ru/articles/1020630/

#machine_learning #pytorch #liquid_neural_networks #lnn #алготрейдинг #временные_ряды #time_series #ode

#AIEngineering #MLDL #lnn

https://pub.towardsai.net/what-are-liquid-neural-networks-the-next-evolution-in-brain-inspired-ai-c9d70b56b5a8?source=rss----98111c9905da---4

I recently chanced upon the paper, "Deep, Differentiable Logic Gate Networks", Petersen (2022). It describes the Logical Neural Network, whose neurons are 2-input, 1-output #logic gates. The whole network is but a #combinational #circuit, so the trained network can readily be synthesised on #FPGA. Fancy that! And given the simplicity and sparsity of an FPGA-borne LNN, it runs a couple of orders of magnitude faster than a GPU-borne DNN, and consumes an order of magnitude less power, yet able to attain a comparable task accuracy.
https://arxiv.org/pdf/2210.08277

The seminal paper on LNN is this: "Logical Neural Networks", Riegel (2020).
https://arxiv.org/pdf/2006.13155

This paper below, "Logic Neural Networks for Efficient FPGA Implementation", Ramírez (2024), is a good companion paper to read, too.
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10746856

NB—The Logical Neural Network #LNN is not related to the Binary Neural Network #BNN. The BNN is a binarised (read, "crude") approximation of a conventional, real-valued DNN (yielding 1-bit activations and weights). The LNN, in contrast, has no weights at all on the wires that connect the gates and the activation functions are the inherently non-linear logic operations.

🚨 New post about the cybersecurity challenges of adopting or implementing AI based on Liquid Neural Networks.

Check it out here:

🔗 https://paolozaino.wordpress.com/2025/02/11/ai-the-security-challenges-of-liquid-neural-networks/

#TechNews #AI #LNN #CyberSecurity #DeepLearning #Rust #ArtificialIntelligence #MachineLearning #AIResearch #NeuralNetworks #TechBlog #AICommunity #AIApplications #AIInnovation #AITrends #AIInsights #AIAdvancements #zLNN

After receiving so many questions about my #zLNN and how #LiquidNeuralNetworks work, I’ve decided to start publishing articles to help people better understand LNNs. Check the first one out here:

https://tinyurl.com/mt242844

#AI #ArtificialIntelligence #MachineLearning #DeepLearning #LNN #LiquidAI #LiquidNeuralNetwork #Rust

AlphaProteo generates novel
proteins for biology and health research

On Apple Podcasts
https://podcasts.apple.com/ca/podcast/heliox-where-evidence-meets-empathy/id1769969487?i=1000673161642

Heliox Podcast ( subscribe so you do not miss an episode )
https://podcasts.apple.com/ca/podcast/heliox-where-evidence-meets-empathy/id1769969487

Subscribe to "Heliox" on your favourite podcast provider.

#LNN #LiquidNeuralNetworks #RaminHasani #DanielaRus #AI #Recognition #Compensation #Durability #Economics #NewEconomy #Dynamic #ML

As opposed to transformer based models, Liquid Neural Networks use less memory, are able to handle data arriving at irregular intervals and most importantly can even give us a glimpse of why the model behaves as it does. And now they seem to have been outperforming some #SOTA models...

https://venturebeat.com/ai/mit-spinoff-liquid-debuts-non-transformer-ai-models-and-theyre-already-state-of-the-art/

#ai #genai #explainableai #lnn

London News Network/Carlton end caption (1998).

#TVCaptionTime
#LondonNewsNetwork
#LNN
#CarltonTelevision