論文の概要: Zero-Shot Forecasting Mortality Rates: A Global Study

• arxiv url: http://arxiv.org/abs/2505.13521v1
• Date: Sat, 17 May 2025 13:27:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.361221
• Title: Zero-Shot Forecasting Mortality Rates: A Global Study
• Title（参考訳）: ゼロショット予測死亡率:グローバル調査
• Authors: Gabor Petnehazi, Laith Al Shaggah, Jozsef Gall, Bernadett Aradi,
• Abstract要約: TimesFMとChronosの2つの最先端基盤モデルと、従来の機械学習と機械学習に基づく手法を評価した。 死亡データを微調整したCHRONOSは、長期的な精度を著しく向上させた。 死亡データに基づいて訓練されたランダムフォレストモデルは、全体的なパフォーマンスで最高のものとなった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study explores the potential of zero-shot time series forecasting, an innovative approach leveraging pre-trained foundation models, to forecast mortality rates without task-specific fine-tuning. We evaluate two state-of-the-art foundation models, TimesFM and CHRONOS, alongside traditional and machine learning-based methods across three forecasting horizons (5, 10, and 20 years) using data from 50 countries and 111 age groups. In our investigations, zero-shot models showed varying results: while CHRONOS delivered competitive shorter-term forecasts, outperforming traditional methods like ARIMA and the Lee-Carter model, TimesFM consistently underperformed. Fine-tuning CHRONOS on mortality data significantly improved long-term accuracy. A Random Forest model, trained on mortality data, achieved the best overall performance. These findings underscore the potential of zero-shot forecasting while highlighting the need for careful model selection and domain-specific adaptation.
• Abstract（参考訳）: 本研究は,タスク固有の微調整を行わずに死亡率を予測するために,事前学習した基礎モデルを活用する革新的な手法であるゼロショット時系列予測の可能性を探るものである。 我々は、50か国と111の年齢グループのデータを用いて、3つの予測地平線(5年、10年、20年)にわたる伝統的な機械学習ベースの手法とともに、最先端の基礎モデルであるTimesFMとChronosを評価した。 CHRONOSはARIMAやLee-Carterモデルといった従来の手法よりも優れているが、TimesFMは一貫して性能が劣っている。 死亡データを微調整したCHRONOSは、長期的な精度を著しく向上させた。 死亡データに基づいて訓練されたランダムフォレストモデルは、全体的なパフォーマンスで最高のものとなった。 これらの結果は、注意深いモデル選択とドメイン固有の適応の必要性を強調しながら、ゼロショット予測の可能性を強調している。

関連論文リスト

• Timeseries Foundation Models for Mobility: A Benchmark Comparison with Traditional and Deep Learning Models [0.0]
  本研究では、都市全体の移動時間を予測する従来の手法と比較して、TimeGPTの性能を評価する。 その結果,モビリティ予測の基礎モデルの可能性に加えて,実験の限界も明らかになった。
  論文  参考訳（メタデータ） (2025-03-31T07:20:31Z)
• Time-Series Foundation AI Model for Value-at-Risk Forecasting [9.090616417812306]
  この研究は、VaR(Value-at-Risk)のための時系列基礎AIモデルの性能を初めて分析したものである。 さまざまなデータセットで事前トレーニングされたファンデーションモデルは、最小限のデータを持つゼロショット設定で適用することができる。 微調整は精度を著しく向上させ、VaRにはゼロショットの使用が最適でないことを示す。
  論文  参考訳（メタデータ） (2024-10-15T16:53:44Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• Comparison of Traditional and Hybrid Time Series Models for Forecasting COVID-19 Cases [0.5849513679510832]
  2019年12月の新型コロナウイルスの感染は、すでに世界中で数百万人を感染させ、拡大し続けています。 流行のカーブが平ら化し始めた直後、多くの国が再びケースの増加を目撃し始めている。 したがって、国家当局や保健当局に将来の時代の即時戦略を提供するには、時系列予測モデルの徹底的な分析が必要です。
  論文  参考訳（メタデータ） (2021-05-05T14:56:27Z)

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。