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

• Resolution-Aware Retrieval Augmented Zero-Shot Forecasting [3.827130678851168]
  ゼロショット予測は、直接の履歴データなしで、これまで見えなかった状況の結果を予測することを目的としている。 本稿では,空間相関と時間周波数特性を利用して予測精度を向上させる分解能を考慮した検索予測モデルを提案する。 この結果は,マイクロ気候モデルなどにおけるゼロショット予測のためのスケーラブルでデータ効率のよいソリューションとして,検索強化型および解像度対応型戦略の有効性を強調した。
  論文  参考訳（メタデータ） (2025-10-19T03:29:57Z)
• CRPS-LAM: Regional ensemble weather forecasting from matching marginals [12.929305404466747]
  CRPS-LAMは,CRPSに基づいて学習した確率的LAM予測モデルである。 モデルに1つの遅延ノイズベクトルをサンプリングして注入することにより、CRPS-LAMは1つの前方通過でアンサンブル部材を生成する。 CRPS-LAMが拡散モデルの低誤差と一致するMEPS領域データセット上でモデルを評価した。
  論文  参考訳（メタデータ） (2025-10-10T15:48:31Z)
• Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
  時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。 本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。 新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
  論文  参考訳（メタデータ） (2025-10-03T05:18:47Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• Skillful joint probabilistic weather forecasting from marginals [11.348323146521931]
  本稿では,FGNを提案する。FGNはシンプルでスケーラブルでフレキシブルなモデリング手法で,現在の最先端モデルよりも優れている。 位置ごとの予測の連続ランク確率スコア(CRPS)を最小化するために、直接訓練される。 決定論的および確率論的指標によって測定される、最先端のアンサンブル予測を生成する。
  論文  参考訳（メタデータ） (2025-06-12T14:50:47Z)
• 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)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• Forecasting with Deep Learning: Beyond Average of Average of Average Performance [0.393259574660092]
  予測モデルの評価と比較の現在のプラクティスは、パフォーマンスを1つのスコアにまとめることに集中しています。 複数の視点からモデルを評価するための新しいフレームワークを提案する。 このフレームワークの利点は、最先端のディープラーニングアプローチと古典的な予測手法を比較して示す。
  論文  参考訳（メタデータ） (2024-06-24T12:28:22Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Pre-trained Model Guided Fine-Tuning for Zero-Shot Adversarial Robustness [52.9493817508055]
  我々は,モデルがゼロショットの逆方向のロバスト性を高めるために,事前訓練されたモデル誘導逆方向の微調整(PMG-AFT)を提案する。 私たちのアプローチは、平均8.72%のクリーンな精度を継続的に改善します。
  論文  参考訳（メタデータ） (2024-01-09T04:33:03Z)
• 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)
• A comparison of short-term probabilistic forecasts for the incidence of COVID-19 using mechanistic and statistical time series models [15.031837435365532]
  感染拡大の短期予測は、リスク評価と公衆衛生決定において重要な要素である。 一般的な力学モデルの短期確率予測と統計時系列モデルの予測を比較した。 平均的に、統計時系列モデルからの確率予測は、メカニスティックモデルからの予測の少なくとも全体としては正確であることがわかった。
  論文  参考訳（メタデータ） (2023-05-01T16:37:43Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• 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。