論文の概要: Probabilistic Forecast Reconciliation with Kullback-Leibler Divergence Regularization

• arxiv url: http://arxiv.org/abs/2311.12279v1
• Date: Tue, 21 Nov 2023 01:46:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 02:34:07.547763
• Title: Probabilistic Forecast Reconciliation with Kullback-Leibler Divergence Regularization
• Title（参考訳）: Kullback-Leibler分散正規化による確率的予測再構成
• Authors: Guanyu Zhang and Feng Li and Yanfei Kang
• Abstract要約: 本稿では,確率論的予測整合のための新しい手法を提案する。 既存のアプローチとは異なり、提案手法は予測ステップと和解ステップを深層学習フレームワークに融合させる。 この手法は3つの階層的時系列データセットを用いて評価される。
• 参考スコア（独自算出の注目度）: 4.104449793013176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the popularity of hierarchical point forecast reconciliation methods increases, there is a growing interest in probabilistic forecast reconciliation. Many studies have utilized machine learning or deep learning techniques to implement probabilistic forecasting reconciliation and have made notable progress. However, these methods treat the reconciliation step as a fixed and hard post-processing step, leading to a trade-off between accuracy and coherency. In this paper, we propose a new approach for probabilistic forecast reconciliation. Unlike existing approaches, our proposed approach fuses the prediction step and reconciliation step into a deep learning framework, making the reconciliation step more flexible and soft by introducing the Kullback-Leibler divergence regularization term into the loss function. The approach is evaluated using three hierarchical time series datasets, which shows the advantages of our approach over other probabilistic forecast reconciliation methods.
• Abstract（参考訳）: 階層的な予測和解手法の普及に伴い,確率的予測和解への関心が高まっている。 多くの研究が機械学習や深層学習技術を利用して確率的予測の和解を実現し、顕著な進歩を遂げている。 しかし, これらの手法は, 整合過程を固定的かつ固い後処理ステップとして扱い, 精度と整合性のトレードオフをもたらす。 本稿では,確率的予測調整のための新しい手法を提案する。 既存のアプローチと異なり,提案手法は予測ステップと和解ステップを深層学習フレームワークに融合させ,Kulback-Leibler分散正規化項を損失関数に導入することにより,和解ステップをより柔軟かつ柔らかくする。 本手法は3つの階層的時系列データセットを用いて評価し,他の確率論的予測整合法に対するアプローチの利点を示す。

関連論文リスト

• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 グラフ深層学習演算子に基づく新しい共形予測手法を導入することにより,この空白を埋める。 我々のアプローチは、関連するベンチマークにおいて、正確なカバレッジを提供し、最先端の不確実性定量化をアーカイブする。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• 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)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Conformalized Adaptive Forecasting of Heterogeneous Trajectories [8.022222226139032]
  本稿では,新しいランダム軌道の全経路を十分に高い確率でカバーすることを保証された同時予測帯域を生成するための新しいコンフォメーション手法を提案する。 この解はどちらも原則であり、正確な有限サンプル保証を提供し、しばしば以前の方法よりもより情報的な予測をもたらす。
  論文  参考訳（メタデータ） (2024-02-14T23:57:19Z)
• 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)
• The Stochastic Proximal Distance Algorithm [5.3315823983402755]
  本稿では,所望の制約付き推定問題をペナルティパラメータとして回復する反復最適化手法のクラスを提案し,解析する。 我々は、最近の理論装置を拡張して有限誤差境界を確立し、収束率の完全な評価を行う。 また,本手法が一般的な学習課題のバッチバージョンより優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-21T22:07:28Z)
• 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)
• Optimal reconciliation with immutable forecasts [9.25906680708985]
  我々は、変数の既定部分集合の予測が変化しない、あるいは「不変」であるような調整手法を定式化する。 我々は,我々のアプローチがベース予測の偏りを保っていることを証明した。 また,予測誤差の相関を考慮し,予測の非負性を保証する。
  論文  参考訳（メタデータ） (2022-04-20T05:23:31Z)
• Long Range Probabilistic Forecasting in Time-Series using High Order Statistics [19.12411040726229]
  本稿では,ベースレベルとアグリゲーション統計量で一致した予測を生成する新しい確率予測手法を提案する。 提案手法は,3つの領域にまたがる実際のデータセットにおいて,ベースレベルと非表示アグリゲーションの両方で予測性能を向上することを示す。
  論文  参考訳（メタデータ） (2021-11-05T11:10:35Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)
• Hierarchical forecast reconciliation with machine learning [0.34998703934432673]
  本稿では,機械学習に基づく新しい階層的予測手法を提案する。 これは、サンプル後の経験的予測精度とコヒーレンスの改善の目的を構造的に組み合わせている。 本研究では,提案手法が既存手法よりも優れた点予測を与えることを示す。
  論文  参考訳（メタデータ） (2020-06-03T04:49:39Z)

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。