論文の概要: Stratify: Unifying Multi-Step Forecasting Strategies
- arxiv url: http://arxiv.org/abs/2412.20510v1
- Date: Sun, 29 Dec 2024 16:06:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-31 16:06:56.399152
- Title: Stratify: Unifying Multi-Step Forecasting Strategies
- Title(参考訳): Stratify:マルチステップ予測戦略の統合
- Authors: Riku Green, Grant Stevens, Zahraa Abdallah, Telmo M. Silva Filho,
- Abstract要約: Stratifyは、既存の戦略の予測と統合に対処するフレームワークである。
1080の実験の84%以上で、Stratifyの新たな戦略は、既存のすべての実験と比べてパフォーマンスを改善した。
我々の結果は、既知の予測戦略と新しい予測戦略の最も包括的なベンチマークである。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: A key aspect of temporal domains is the ability to make predictions multiple time steps into the future, a process known as multi-step forecasting (MSF). At the core of this process is selecting a forecasting strategy, however, with no existing frameworks to map out the space of strategies, practitioners are left with ad-hoc methods for strategy selection. In this work, we propose Stratify, a parameterised framework that addresses multi-step forecasting, unifying existing strategies and introducing novel, improved strategies. We evaluate Stratify on 18 benchmark datasets, five function classes, and short to long forecast horizons (10, 20, 40, 80). In over 84% of 1080 experiments, novel strategies in Stratify improved performance compared to all existing ones. Importantly, we find that no single strategy consistently outperforms others in all task settings, highlighting the need for practitioners explore the Stratify space to carefully search and select forecasting strategies based on task-specific requirements. Our results are the most comprehensive benchmarking of known and novel forecasting strategies. We make code available to reproduce our results.
- Abstract(参考訳): 時間領域の重要な側面は、マルチステップ予測(Multi-step forecasting、MSF)と呼ばれるプロセスである、未来への複数の時間ステップを予測する能力である。
このプロセスの核心は予測戦略の選択であるが、戦略の空間をマップする既存のフレームワークが存在しないため、実践者は戦略選択のためのアドホックな方法が残されている。
本研究では,多段階予測に対処し,既存の戦略を統一し,新規で改良された戦略を導入するためのパラメータ化フレームワークであるStratifyを提案する。
また,Stratifyを18のベンチマークデータセット,5つの関数クラス,および10,20,40,80の予測地平線で評価した。
1080の実験の84%以上で、Stratifyの新たな戦略は、既存のすべての実験と比べてパフォーマンスを改善した。
重要なことは、ひとつの戦略がすべてのタスク設定において他の戦略よりも一貫して優れていることはなく、実践者がタスク固有の要求に基づいた予測戦略を慎重に探索し選択するためのStratify空間を探索する必要性を強調している。
我々の結果は、既知の予測戦略と新しい予測戦略の最も包括的なベンチマークである。
結果の再現に利用可能なコードを作成します。
関連論文リスト
- EPO: Explicit Policy Optimization for Strategic Reasoning in LLMs via Reinforcement Learning [69.55982246413046]
戦略的推論のための明示的なポリシー最適化(EPO)を提案する。
EPOはオープンなアクション空間で戦略を提供し、任意のLLMエージェントにプラグインすることで、ゴール指向の振る舞いを動機付けることができる。
社会的および物理的領域にわたる実験は、EPOの長期的なゴールアライメント能力を示す。
論文 参考訳(メタデータ) (2025-02-18T03:15:55Z) - Deep Reinforcement Learning for Online Optimal Execution Strategies [49.1574468325115]
本稿では,動的な金融市場における非マルコフ的最適実行戦略の学習に挑戦する。
我々は,Deep Deterministic Policy Gradient(DDPG)に基づく新しいアクター批判アルゴリズムを提案する。
提案アルゴリズムは最適実行戦略の近似に成功していることを示す。
論文 参考訳(メタデータ) (2024-10-17T12:38:08Z) - Ensembling Portfolio Strategies for Long-Term Investments: A Distribution-Free Preference Framework for Decision-Making and Algorithms [0.0]
本稿では、長期的富という観点から個別の戦略を上回るために、逐次的ポートフォリオのための複数の戦略をまとめることの問題点について考察する。
我々は,市場条件にかかわらず,戦略を組み合わせるための新たな意思決定枠組みを導入する。
シャープ比の小さなトレードオフがあるにもかかわらず、提案した戦略を支持する結果を示す。
論文 参考訳(メタデータ) (2024-06-05T23:08:57Z) - Time-Series Classification for Dynamic Strategies in Multi-Step
Forecasting [0.37141182051230903]
時系列におけるマルチステップ予測(MSF)はほとんどの時間領域において基本である。
これまでの研究では、予測戦略が未確認データに基づく評価に最適であるかどうかが明らかでないことが示されている。
MSFのための動的戦略(DyStrat)を提案する。
論文 参考訳(メタデータ) (2024-02-13T11:10:14Z) - StrategyLLM: Large Language Models as Strategy Generators, Executors, Optimizers, and Evaluators for Problem Solving [76.5322280307861]
StrategyLLM は LLM が帰納的推論、特定のタスクインスタンスからの一般的な戦略の導出、帰納的推論を可能にし、これらの一般的な戦略を特定のタスク例に適用し、一般化可能で一貫した数発のプロンプトを構築する。
実験の結果、StrategyLLMは、数学推論(34.2%$rightarrow$38.8%)、コモンセンス推論(70.3%$rightarrow$72.5%)、アルゴリズム推論(73.7%$rightarrow$85.0)を含む、4つの難しいタスクにまたがる13のデータセットに対して、人間によるアノテートソリューションを必要とする競争ベースラインのCoT-SCよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-11-15T09:18:09Z) - Risk-reducing design and operations toolkit: 90 strategies for managing
risk and uncertainty in decision problems [65.268245109828]
本稿では,このような戦略のカタログを開発し,それらのためのフレームワークを開発する。
高い不確実性のために難解であるように見える決定問題に対して、効率的な応答を提供する、と論じている。
次に、多目的最適化を用いた決定理論にそれらを組み込む枠組みを提案する。
論文 参考訳(メタデータ) (2023-09-06T16:14:32Z) - Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
大規模未ラベルデータから学ぶための2つの戦略を提案する。
第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。
第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
論文 参考訳(メタデータ) (2023-07-26T16:19:19Z) - ImitAL: Learned Active Learning Strategy on Synthetic Data [30.595138995552748]
ImitALはドメインに依存しない新しいクエリ戦略であり、ALを学習からランクまでの問題としてエンコードする。
我々はImitALを、純粋に合成されたデータセット上で大規模にシミュレーションされたALで訓練する。
ImitALがうまくトレーニングされたことを示すため、13の異なるデータセット上での戦略の比較を広範囲に評価した。
論文 参考訳(メタデータ) (2022-08-24T16:17:53Z) - Optimal Strategies of Quantum Metrology with a Strict Hierarchy [3.706744588098214]
我々は、並列、シーケンシャル、不確定因数順序戦略を含む、異なる戦略のファミリーの最終的な精度限界を同定する。
我々は、検討中の戦略のファミリー内で最適な戦略を決定する効率的なアルゴリズムを提供する。
論文 参考訳(メタデータ) (2022-03-18T06:14:56Z) - Portfolio Search and Optimization for General Strategy Game-Playing [58.896302717975445]
ローリングホライズン進化アルゴリズムに基づく最適化とアクション選択のための新しいアルゴリズムを提案する。
エージェントのパラメータとポートフォリオセットの最適化について,N-tuple Bandit Evolutionary Algorithmを用いて検討する。
エージェントの性能分析により,提案手法はすべてのゲームモードによく一般化し,他のポートフォリオ手法よりも優れることが示された。
論文 参考訳(メタデータ) (2021-04-21T09:28:28Z) - Can Global Optimization Strategy Outperform Myopic Strategy for Bayesian
Parameter Estimation? [0.0]
本報告では,グローバル戦略とミオピック戦略のパフォーマンス改善と負担を比較検討した実験結果に基づいて,その回避策を提案する。
グローバル戦略の新たな地平線は、最も即時的な次のステップ以外の、最適なグローバルユーティリティの改善に無視できる貢献をしている。
論文 参考訳(メタデータ) (2020-07-01T10:31:16Z)
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。