論文の概要: Creating Probabilistic Forecasts from Arbitrary Deterministic Forecasts
using Conditional Invertible Neural Networks
- arxiv url: http://arxiv.org/abs/2302.01800v1
- Date: Fri, 3 Feb 2023 15:11:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-06 15:51:35.460282
- Title: Creating Probabilistic Forecasts from Arbitrary Deterministic Forecasts
using Conditional Invertible Neural Networks
- Title（参考訳）: 条件付き可逆ニューラルネットワークを用いた任意決定論的予測からの確率予測の作成
- Authors: Kaleb Phipps and Benedikt Heidrich and Marian Turowski and Moritz
Wittig and Ralf Mikut and Veit Hagenmeyer
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.19573380763700712
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In various applications, probabilistic forecasts are required to quantify the
inherent uncertainty associated with the forecast. However, numerous modern
forecasting methods are still designed to create deterministic forecasts.
Transforming these deterministic forecasts into probabilistic forecasts is
often challenging and based on numerous assumptions that may not hold in
real-world situations. Therefore, the present article proposes a novel approach
for creating probabilistic forecasts from arbitrary deterministic forecasts. In
order to implement this approach, we use a conditional Invertible Neural
Network (cINN). More specifically, we apply a cINN to learn the underlying
distribution of the data and then combine the uncertainty from this
distribution with an arbitrary deterministic forecast to generate accurate
probabilistic forecasts. Our approach enables the simple creation of
probabilistic forecasts without complicated statistical loss functions or
further assumptions. Besides showing the mathematical validity of our approach,
we empirically show that our approach noticeably outperforms traditional
methods for including uncertainty in deterministic forecasts and generally
outperforms state-of-the-art probabilistic forecasting benchmarks.
- Abstract（参考訳）: 様々な応用において、予測に関連する固有の不確かさを定量化するために確率予測が必要である。
しかし、多くの現代的な予測手法はまだ決定論的予測を作成するために設計されている。
これらの決定論的予測を確率論的予測に変換することはしばしば困難であり、現実の状況では成り立たない多くの仮定に基づいている。
そこで本稿では,任意の決定論的予測から確率論的予測を生成する新しい手法を提案する。
このアプローチを実現するために、条件付き可逆ニューラルネットワーク(cINN)を用いる。
より具体的には、cinnを使っ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と任意の決定論的予測を組み合わせて正確な確率的予測を生成する。
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、確率予測を簡単に作成できる。
提案手法の数学的妥当性を示すことに加えて, 従来手法よりも決定論的予測の不確実性を含む手法が顕著に優れ, 概ね最先端の確率的予測ベンチマークを上回っていることを実証的に示す。
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) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - 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) - 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) - Robust Probabilistic Time Series Forecasting [20.235389891676512]
本稿では,頑健な確率的時系列予測のためのフレームワークを提案する。
逆入力摂動の概念を一般化し、境界ワッサーシュタイン偏差の項でロバストネスの概念を定式化する。
本手法は,加法的対向攻撃による予測品質の向上と雑音観測の補足による予測整合性向上に実証的に有効である。
論文 参考訳（メタデータ） (2022-02-24T05:46:26Z) - Evaluation of Machine Learning Techniques for Forecast Uncertainty
Quantification [0.13999481573773068]
アンサンブル予測は、これまでのところ、関連する予測を生成するための最も成功したアプローチであり、その不確実性を見積もっている。
アンサンブル予測の主な制限は、高い計算コストと異なる不確実性の源を捕捉し定量化することの難しさである。
本研究は,1つの決定論的予測のみを入力として,システムの修正状態と状態不確かさを予測するために訓練されたANNの性能を評価するための概念モデル実験である。
論文 参考訳（メタデータ） (2021-11-29T16:52:17Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Propagating State Uncertainty Through Trajectory Forecasting [34.53847097769489]
軌道予測は(雑音の多い)上流の知覚によって入力が生成されるため不確実性に囲まれている。
ほとんどの軌道予測法は上流の不確かさを考慮せず、最も類似した値のみを取る。
本稿では,新しい統計的距離に基づく損失関数である軌道予測において,知覚状態の不確実性を取り入れた新しい手法を提案する。
論文 参考訳（メタデータ） (2021-10-07T08:51:16Z) - 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。