論文の概要: Probabilistic Forecasting with Generative Networks via Scoring Rule
Minimization
- arxiv url: http://arxiv.org/abs/2112.08217v3
- Date: Tue, 13 Feb 2024 15:27:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 20:33:26.378445
- Title: Probabilistic Forecasting with Generative Networks via Scoring Rule
Minimization
- Title（参考訳）: Scoring Rule Minimizationによる生成ネットワークの確率予測
- Authors: Lorenzo Pacchiardi, Rilwan Adewoyin, Peter Dueben, Ritabrata Dutta
- Abstract要約: 生成ニューラルネットワークを用いて高次元空間上の分布をパラメトリズする。
生成ネットワークをトレーニングし、関心の現象の時間的シーケンスの記録に基づいて、予測順序(または前順序)のスコアリングルールを最小化する。
本手法は,特に確率的キャリブレーションにおいて,最先端の対角法よりも優れている。
- 参考スコア（独自算出の注目度）: 5.5643498845134545
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Probabilistic forecasting relies on past observations to provide a
probability distribution for a future outcome, which is often evaluated against
the realization using a scoring rule. Here, we perform probabilistic
forecasting with generative neural networks, which parametrize distributions on
high-dimensional spaces by transforming draws from a latent variable.
Generative networks are typically trained in an adversarial framework. In
contrast, we propose to train generative networks to minimize a
predictive-sequential (or prequential) scoring rule on a recorded temporal
sequence of the phenomenon of interest, which is appealing as it corresponds to
the way forecasting systems are routinely evaluated. Adversarial-free
minimization is possible for some scoring rules; hence, our framework avoids
the cumbersome hyperparameter tuning and uncertainty underestimation due to
unstable adversarial training, thus unlocking reliable use of generative
networks in probabilistic forecasting. Further, we prove consistency of the
minimizer of our objective with dependent data, while adversarial training
assumes independence. We perform simulation studies on two chaotic dynamical
models and a benchmark data set of global weather observations; for this last
example, we define scoring rules for spatial data by drawing from the relevant
literature. Our method outperforms state-of-the-art adversarial approaches,
especially in probabilistic calibration, while requiring less hyperparameter
tuning.
- Abstract（参考訳）: 確率的予測は過去の観測に基づいて将来の結果の確率分布を提供する。
本稿では,高次元空間上の分布を潜在変数からのドロー変換によりパラメトリゼーションする生成型ニューラルネットワークを用いて確率的予測を行う。
生成ネットワークは通常、敵対的な枠組みで訓練される。
これとは対照的に,本研究では,関心現象の時系列記録に基づいて,予測順序(あるいは述語)のスコアリングルールを最小化するために,生成ネットワークを訓練することを提案する。
そこで本フレームワークでは,不安定な逆数トレーニングによる不確実な過パラメータチューニングや不確実な過小評価を回避し,確率予測における生成ネットワークの信頼性の確保を図る。
さらに,対象の最小化と従属データとの整合性を証明し,一方,対向訓練では独立性を仮定する。
本研究では,2つのカオス力学モデルとグローバル気象観測のベンチマークデータセットに関するシミュレーション研究を行い,最後に,関連する文献から抽出した空間データの採点規則を定義する。
提案手法は,特に確率的キャリブレーションにおいて,高パラメータチューニングの少ない手法よりも優れている。
関連論文リスト
- Tackling Missing Values in Probabilistic Wind Power Forecasting: A
Generative Approach [1.384633930654651]
そこで本研究では,欠落した値の処理と目標の予測を無関心に行い,未知の値を同時に予測することを提案する。
従来の「インプット、予測」パイプラインと比較して、提案手法は連続的なランク付け確率スコアにおいてより良い性能を達成する。
論文 参考訳（メタデータ） (2024-03-06T11:38:08Z) - 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) - Creating Probabilistic Forecasts from Arbitrary Deterministic Forecasts
using Conditional Invertible Neural Networks [0.19573380763700712]
我々は、条件付き可逆ニューラルネットワーク(cINN)を用いて、データの基盤となる分布を学習し、この分布からの不確実性を任意の決定論的予測と組み合わせる。
我々のアプローチは、複雑な統計的損失関数やさらなる仮定を伴わずに、確率的予測を簡単に作成できる。
論文 参考訳（メタデータ） (2023-02-03T15:11:39Z) - 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） (2022-06-16T06:13:53Z) - Autoregressive Quantile Flows for Predictive Uncertainty Estimation [7.184701179854522]
高次元変数上の確率モデルの柔軟なクラスである自己回帰量子フローを提案する。
これらのモデルは、適切なスコアリングルールに基づいて、新しい目的を用いて訓練された自己回帰フローの例である。
論文 参考訳（メタデータ） (2021-12-09T01:11:26Z) - Probabilistic Time Series Forecasting with Implicit Quantile Networks [0.7249731529275341]
自己回帰的リカレントニューラルネットワークとインプリシット量子ネットワークを併用して、時系列ターゲット上の大規模な分布を学習する。
提案手法は, 時間分布の推定だけでなく, ポイントワイズ予測精度の観点からも好適である。
論文 参考訳（メタデータ） (2021-07-08T10:37:24Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳（メタデータ） (2021-05-25T14:35:46Z) - Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。
解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。
私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
論文 参考訳（メタデータ） (2021-05-07T09:22:34Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - 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)
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。