論文の概要: Online detection of forecast model inadequacies using forecast errors

• arxiv url: http://arxiv.org/abs/2502.14173v1
• Date: Thu, 20 Feb 2025 00:56:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 17:44:07.734742
• Title: Online detection of forecast model inadequacies using forecast errors
• Title（参考訳）: 予測誤差を用いた予測モデル不整合のオンライン検出
• Authors: Thomas Grundy, Rebecca Killick, Ivan Svetunkov,
• Abstract要約: 予測の正確性を維持するために,予測のオンライン監視のための新しいフレームワークを提案する。 予測誤差の逐次的変化点手法を利用することで,外部要因によるプロセスの潜在的な変化をリアルタイムに識別することができる。 理論的には、基礎となるプロセスに共通する変化が予測誤差に現れ、予測誤差のシフトを元のモデリングフレームワークよりも早く識別できることが示される。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In many organisations, accurate forecasts are essential for making informed decisions for a variety of applications from inventory management to staffing optimization. Whatever forecasting model is used, changes in the underlying process can lead to inaccurate forecasts, which will be damaging to decision-making. At the same time, models are becoming increasingly complex and identifying change through direct modelling is problematic. We present a novel framework for online monitoring of forecasts to ensure they remain accurate. By utilizing sequential changepoint techniques on the forecast errors, our framework allows for the real-time identification of potential changes in the process caused by various external factors. We show theoretically that some common changes in the underlying process will manifest in the forecast errors and can be identified faster by identifying shifts in the forecast errors than within the original modelling framework. Moreover, we demonstrate the effectiveness of this framework on numerous forecasting approaches through simulations and show its effectiveness over alternative approaches. Finally, we present two concrete examples, one from Royal Mail parcel delivery volumes and one from NHS A\&E admissions relating to gallstones.
• Abstract（参考訳）: 多くの組織では、在庫管理からスタッフの最適化に至るまで、さまざまなアプリケーションの情報的決定を行う上で、正確な予測が不可欠です。 どんな予測モデルが使われるにせよ、根底にあるプロセスの変更は不正確な予測につながる可能性がある。 同時に、モデルはますます複雑になってきており、直接モデリングによる変化の特定には問題があります。 予測の正確性を維持するために,予測のオンライン監視のための新しいフレームワークを提案する。 予測誤差の逐次的変化点手法を利用することで,外部要因によるプロセスの潜在的な変化をリアルタイムに識別することができる。 理論的には、基礎となるプロセスに共通する変化が予測誤差に現れ、予測誤差のシフトを元のモデリングフレームワークよりも早く識別できることが示される。 さらに,シミュレーションによる多くの予測手法における本フレームワークの有効性を実証し,その代替手法に対する効果を示す。 最後に,Royal Mailのパーセルの配送量と,胆石に関するNHS A\&Eの許可の2つの具体例を示す。

関連論文リスト

• Deconfounding Time Series Forecasting [1.5967186772129907]
  時系列予測は様々な領域において重要な課題であり、正確な予測は情報的な意思決定を促進する。 従来の予測手法は、しばしば将来の結果を予測するために変数の現在の観測に依存している。 本稿では,過去のデータから得られた潜在的共同設立者の表現を取り入れた予測手法を提案する。
  論文  参考訳（メタデータ） (2024-10-27T12:45:42Z)
• Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens [10.103561529332184]
  ノイズや不正なデータによる不正確さが誤った予測につながるような,マルチモーダルな時系列予測に重点を置いている。 本稿では,マルチモーダル時系列予測モデルのロバスト性を評価するための評価手法を提案する。
  論文  参考訳（メタデータ） (2024-06-12T17:39:16Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• 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)
• Explain, Adapt and Retrain: How to improve the accuracy of a PPM classifier through different explanation styles [4.6281736192809575]
  最近の論文では、結果指向の予測に予測プロセスモニタリングモデルがなぜ間違った予測を提供するのかを説明するための新しいアプローチが紹介されている。 半自動的な方法でミスを犯す予測者を誘導する最も一般的な特徴を特定するために、説明を利用する方法を示す。
  論文  参考訳（メタデータ） (2023-03-27T06:37:55Z)
• A Closer Look at the Intervention Procedure of Concept Bottleneck Models [18.222350428973343]
  概念ボトルネックモデル(コンセプションボトルネックモデル、CBM)は、その高レベルな概念に基づいて与えられた入力のターゲット応答を予測する、解釈可能なニューラルネットワークモデルのクラスである。 CBMは、ドメインの専門家が予測された概念に介入し、テスト時に間違いを修正できるので、最後にもっと正確なタスク予測ができる。 本研究では,介入効果を向上させるために介入概念を選択する様々な方法を開発し,異なる状況下でどのように進化するかを詳細に分析する。
  論文  参考訳（メタデータ） (2023-02-28T02:37:24Z)
• Predicting with Confidence on Unseen Distributions [90.68414180153897]
  ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。 分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。 具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
  論文  参考訳（メタデータ） (2021-07-07T15:50:18Z)
• 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)
• Estimating Generalization under Distribution Shifts via Domain-Invariant Representations [75.74928159249225]
  未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。 結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
  論文  参考訳（メタデータ） (2020-07-06T17:21:24Z)

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。