論文の概要: Local vs. Global Models for Hierarchical Forecasting

• arxiv url: http://arxiv.org/abs/2411.06394v1
• Date: Sun, 10 Nov 2024 08:51:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:12:05.281393
• Title: Local vs. Global Models for Hierarchical Forecasting
• Title（参考訳）: 階層型予測のための局所的対グローバルモデル
• Authors: Zhao Yingjie, Mahdi Abolghasemi,
• Abstract要約: 本研究では,情報活用が階層的予測の精度に与える影響について検討する。 我々は,クロスシリーズとクロス階層情報を活用するために,グローバル予測モデル(GFM)を開発した。 LightGBM に基づく2つの特定の GFM が導入された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Hierarchical time series forecasting plays a crucial role in decision-making in various domains while presenting significant challenges for modelling as they involve multiple levels of aggregation, constraints, and availability of information. This study explores the influence of distinct information utilisation on the accuracy of hierarchical forecasts, proposing and evaluating locals and a range of Global Forecasting Models (GFMs). In contrast to local models, which forecast each series independently, we develop GFMs to exploit cross-series and cross-hierarchies information, improving both forecasting performance and computational efficiency. We employ reconciliation methods to ensure coherency in forecasts and use the Mean Absolute Scaled Error (MASE) and Multiple Comparisons with the Best (MCB) tests to assess statistical significance. The findings indicate that GFMs possess significant advantages for hierarchical forecasting, providing more accurate and computationally efficient solutions across different levels in a hierarchy. Two specific GFMs based on LightGBM are introduced, demonstrating superior accuracy and lower model complexity than their counterpart local models and conventional methods such as Exponential Smoothing (ES) and Autoregressive Integrated Moving Average (ARIMA).
• Abstract（参考訳）: 階層的時系列予測は、様々な領域における意思決定において重要な役割を担いながら、複数のレベルの集約、制約、情報の可用性を含むモデリングにおいて重要な課題を提示している。 本研究では,異なる情報利用が階層的予測の精度に及ぼす影響について検討し,地域とグローバル予測モデル(GFM)の範囲について検討した。 各シリーズを個別に予測するローカルモデルとは対照的に,シリーズ間および階層間情報を活用し,予測性能と計算効率を両立させるGFMを開発する。 我々は,予測におけるコヒーレンシーを確保するために調停手法を採用し,統計的意義を評価するために,平均絶対スケール誤差(MASE)とMultiple Comparisons with the Best(MCB)テストを用いた。 その結果, GFM には階層的予測に対する大きな利点があり, 階層の異なるレベルにまたがって, より正確で, 計算的に効率的な解を提供することがわかった。 LightGBM をベースとした2つの特定の GFM を導入し、対応するローカルモデルよりも精度が高く、モデルの複雑さが低いことを示し、Exponential Smoothing (ES) や Autoregressive Integrated Integrated Average (ARIMA) といった従来の手法が導入された。

関連論文リスト

• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• Reducing Spurious Correlation for Federated Domain Generalization [15.864230656989854]
  オープンワールドのシナリオでは、グローバルモデルは特定のメディアによってキャプチャされた全く新しいドメインデータをうまく予測するのに苦労する可能性がある。 既存の手法はまだこの問題に対処するために、サンプルとラベルの間の強い統計的相関に頼っている。 ローカルレベルとグローバルレベルでの全体的な最適化フレームワークであるFedCDを紹介します。
  論文  参考訳（メタデータ） (2024-07-27T05:06:31Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Boosted Control Functions [10.503777692702952]
  本研究の目的は,因果効果推定と予測タスクのギャップを埋めることである。 我々は,機械学習の分布場と同時方程式モデル,およびエコノメティクスの制御関数との新たな接続を確立する。 このフレームワーク内では、予測モデルに対する不変性の強い概念を提案し、それを既存の(ウィーカー)バージョンと比較する。
  論文  参考訳（メタデータ） (2023-10-09T15:43:46Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• LoMEF: A Framework to Produce Local Explanations for Global Model Time Series Forecasts [2.3096751699592137]
  複数の時系列にまたがってトレーニングされたグローバル予測モデル(GFM)は、多くの予測競合や実世界のアプリケーションにおいて優れた結果を示している。 しかしながら、GFMは通常、特に特定の時系列に対する解釈可能性に欠ける。 本稿では,GFMからの予測を説明するために,局所モデルに依存しない新しい解法を提案する。
  論文  参考訳（メタデータ） (2021-11-13T00:17:52Z)
• Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
  分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。 具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。 また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
  論文  参考訳（メタデータ） (2021-07-09T19:48:23Z)
• Graphical Modeling for Multi-Source Domain Adaptation [56.05348879528149]
  マルチソースドメイン適応(MSDA)は、複数のソースドメインからターゲットドメインへの知識の転送に焦点を当てている。 我々は2種類のグラフィカルモデルを提案する。 MSDAの条件付きランダムフィールド(CRF-MSDA)とMSDAのマルコフランダムフィールド(MRF-MSDA) これらの2つのモデルを、ドメインシフトとデータの複雑さが異なるMSDAの4つの標準ベンチマークデータセットで評価します。
  論文  参考訳（メタデータ） (2021-04-27T09:04:22Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)
• Ensembles of Localised Models for Time Series Forecasting [7.199741890914579]
  本研究では,一般GFMや一変数モデルを用いたアンサンブル手法の活用について検討する。 私たちの作業は、クラスタリングシリーズやクラスタごとに別々のサブモデルのトレーニングなど、関連する現在のアプローチを体系化し比較します。 複数のGFMを複数のクラスタでトレーニングするクラスタアンサンブルの新しい方法論を提案します。
  論文  参考訳（メタデータ） (2020-12-30T06:33:51Z)

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。