論文の概要: Recalibrating probabilistic forecasts of epidemics

• arxiv url: http://arxiv.org/abs/2112.06305v1
• Date: Sun, 12 Dec 2021 19:22:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-15 07:57:58.120383
• Title: Recalibrating probabilistic forecasts of epidemics
• Title（参考訳）: 疫病の確率予測の再検討
• Authors: Aaron Rumack, Ryan J. Tibshirani, Roni Rosenfeld
• Abstract要約: そこで本研究では,振り返り予測と観測結果からブラックボックス予測に適用可能な補正手法を提案する。 この方法は、インサンプルのトレーニングおよび測定時にキャリブレーションとログスコアのパフォーマンスを向上させることが保証される。 本手法をFluSight Networkの27名のインフルエンザ予報者に適用し,再校正が予測精度と校正精度を確実に向上することを示す。
• 参考スコア（独自算出の注目度）: 13.447680826767183
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Distributional forecasts are important for a wide variety of applications, including forecasting epidemics. Often, forecasts are miscalibrated, or unreliable in assigning uncertainty to future events. We present a recalibration method that can be applied to a black-box forecaster given retrospective forecasts and observations, as well as an extension to make this method more effective in recalibrating epidemic forecasts. This method is guaranteed to improve calibration and log score performance when trained and measured in-sample. We also prove that the increase in expected log score of a recalibrated forecaster is equal to the entropy of the PIT distribution. We apply this recalibration method to the 27 influenza forecasters in the FluSight Network and show that recalibration reliably improves forecast accuracy and calibration. This method is effective, robust, and easy to use as a post-processing tool to improve epidemic forecasts.
• Abstract（参考訳）: 分布予測は、疫病の予測を含む様々な応用において重要である。 しばしば、予測は誤解されるか、将来の出来事に不確実性を割り当てる上で信頼できない。 本稿では,この手法をより効果的に活用するための拡張法として,振り返り予測・観測を行うブラックボックス予測装置に適用可能なリカレーション手法を提案する。 この方法は、インサンプルのトレーニングおよび測定時に校正およびログスコア性能を向上させることが保証される。 また,再校正した予測器のログスコアの増加は,PIT分布のエントロピーに等しいことを示す。 本手法をFluSight Networkの27名のインフルエンザ予報者に適用し,再校正が予測精度と校正精度を確実に向上することを示す。 この方法は、流行予測を改善するための後処理ツールとして効果的で堅牢で使いやすい。

関連論文リスト

• Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
  本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。 提案手法は,重要な事象を特定するために将来的なデータを解析する検出モデルと,これらの事象を現在のデータに基づいて予測する予測モデルである。 予測モデルと検出モデルの間に不一致が発生した場合、予測モデルはより実質的な更新を行う。
  論文  参考訳（メタデータ） (2024-10-19T21:22:55Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• 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)
• Parity Calibration [5.768816587293478]
  本稿では,時間軸の増減イベントの予測を目標とするパリティキャリブレーション(パリティキャリブレーション)の概念を紹介する。 このような戦略が理論的予測不可能と実践性能の低下につながることを示す。 提案手法は, 疫学, 気象予報, 核融合におけるモデルベース制御における実世界の事例研究に有効であることを示す。
  論文  参考訳（メタデータ） (2023-05-29T23:27:42Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• Forecast Hedging and Calibration [8.858351266850544]
  我々は予測ヘッジの概念を開発し、予測されたトラック記録が改善できることを保証するために予測を選択する。 これにより、全てのキャリブレーション結果が同じ単純な引数で得られ、一方、それらが使用する予測ヘッジツールによって区別される。 その他のコントリビューションとしては、継続的なキャリブレーションの定義の改善、長期にわたってナッシュリリアをもたらすゲームダイナミクス、既知のすべての手順よりも単純なバイナリイベントの予測手順などがある。
  論文  参考訳（メタデータ） (2022-10-13T16:48:25Z)
• Forecast Evaluation in Large Cross-Sections of Realized Volatility [0.0]
  我々は,実効ボラティリティの予測において,拡張断面に基づくモデルの予測精度を評価する。 測定誤差補正と断面ジャンプ成分測定を組み込んだモデル仕様に対する予測の感度について検討した。
  論文  参考訳（メタデータ） (2021-12-09T13:19:09Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Improving seasonal forecast using probabilistic deep learning [1.1988695717766686]
  我々は,季節予測能力と予測診断力を高めるための確率論的ディープニューラルネットワークモデルを開発した。 気候シミュレーションで符号化された複雑な物理的関係を活用することで、我々のモデルは好ましい決定論的および確率論的スキルを示す。 季節変動の支配的なモードであるエルニーニョ/南部の振動が、世界の季節予測可能性をどのように調節するかについて、より決定的な答えを与える。
  論文  参考訳（メタデータ） (2020-10-27T21:02:26Z)
• Learning to Predict Error for MRI Reconstruction [67.76632988696943]
  提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。 本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。