論文の概要: Probability Paths and the Structure of Predictions over Time

• arxiv url: http://arxiv.org/abs/2106.06515v1
• Date: Fri, 11 Jun 2021 17:18:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 15:49:25.009255
• Title: Probability Paths and the Structure of Predictions over Time
• Title（参考訳）: 時間経過に伴う確率経路と予測構造
• Authors: Zhiyuan (Jerry) Lin, Hao Sheng, Sharad Goel
• Abstract要約: 天気予報から政治的予測に至るまで、将来の2次結果の確率推定はしばしば時間とともに進化する。 時間とともに動的予測の構造をモデル化するためのベイズ的枠組みを導入する。 予測の動的構造を時間とともに解明することで、個人がより情報のある選択を行えるようにしたいと考えています。
• 参考スコア（独自算出の注目度）: 14.208729304407536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In settings ranging from weather forecasts to political prognostications to financial projections, probability estimates of future binary outcomes often evolve over time. For example, the estimated likelihood of rain on a specific day changes by the hour as new information becomes available. Given a collection of such probability paths, we introduce a Bayesian framework -- which we call the Gaussian latent information martingale, or GLIM -- for modeling the structure of dynamic predictions over time. Suppose, for example, that the likelihood of rain in a week is 50%, and consider two hypothetical scenarios. In the first, one expects the forecast is equally likely to become either 25% or 75% tomorrow; in the second, one expects the forecast to stay constant for the next several days. A time-sensitive decision-maker might select a course of action immediately in the latter scenario, but may postpone their decision in the former, knowing that new information is imminent. We model these trajectories by assuming predictions update according to a latent process of information flow, which is inferred from historical data. In contrast to general methods for time series analysis, this approach preserves the martingale structure of probability paths and better quantifies future uncertainties around probability paths. We show that GLIM outperforms three popular baseline methods, producing better estimated posterior probability path distributions measured by three different metrics. By elucidating the dynamic structure of predictions over time, we hope to help individuals make more informed choices.
• Abstract（参考訳）: 天気予報から政治予測、財務予測まで幅広い状況において、将来の二進予測は時間とともに進化する。 例えば、特定の日に降る雨の確率は、新しい情報が利用可能になると、時間によって変化する。 このような確率パスの集合が与えられた場合、時間とともに動的予測の構造をモデル化するためのベイズ的フレームワーク(ガウス潜在情報マーチンゲール(GLIM)と呼ぶ)を導入する。 例えば、1週間の降水確率が50%であると仮定し、2つの仮説的シナリオを考える。 第一に、予測は明日の25%または75%になる可能性が高いと予測し、第二に、予測は数日続くと予想している。 時間に敏感な意思決定者は、後者のシナリオで直ちに行動方針を選択するかもしれないが、新しい情報が差し迫っていることを知って、前者の決定を延期することができる。 我々は,過去のデータから推定される情報フローの潜在過程に応じて予測を更新することを仮定して,これらの軌跡をモデル化する。 時系列解析の一般的な方法とは対照的に、このアプローチは確率パスのマーティンゲール構造を保持し、確率パスに関する将来の不確実性をよりよく定量化する。 GLIMは3つの一般的なベースライン法より優れており、3つの測定基準によって測定された推定後確率経路分布をより良く推定できることを示す。 予測の動的構造を時間とともに解明することで、個人がより深い選択を行えるようにしたいと思っています。

関連論文リスト

• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Algorithmic Information Forecastability [0.0]
  予測可能性の度合いはデータのみの機能です 常に正確である予測のオラクル予測可能性 限界までエラーの正確な予測可能性 他の予測の確率予測性
  論文  参考訳（メタデータ） (2023-04-21T05:45:04Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Exceedance Probability Forecasting via Regression for Significant Wave Height Prediction [0.0]
  沿岸災害の原因となる大きな波高の極端な値の予測に着目する。 本稿では,点予測に基づく新しい手法を提案する。 カナダのハリファックス沿岸に設置したスマートブイのデータを用いて実験を行った。
  論文  参考訳（メタデータ） (2022-06-20T14:55:17Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Multimodal semantic forecasting based on conditional generation of future features [0.0]
  本稿では,道路走行シーンにおける意味予測について考察する。 既存のほとんどのアプローチでは、この問題を将来の特徴の決定論的回帰や、観測されたフレームの将来の予測として扱う。 本稿では,観測フレーム上に条件付きマルチモーダル生成モデルのサンプリングとして,マルチモーダル予測を定式化する。
  論文  参考訳（メタデータ） (2020-10-18T18:59:52Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。