論文の概要: The cost of ensembling: is it always worth combining?
- arxiv url: http://arxiv.org/abs/2506.04677v1
- Date: Thu, 05 Jun 2025 06:54:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-06 21:53:49.568019
- Title: The cost of ensembling: is it always worth combining?
- Title（参考訳）: アンサンブルのコスト: 組み合わせる価値は常にありますか?
- Authors: Marco Zanotti,
- Abstract要約: 予測精度と計算コストのトレードオフが極めて関連するトピックとして浮上している。
2つの大規模小売データセットにまたがる10のベースモデルと8つのアンサンブル構成を評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Given the continuous increase in dataset sizes and the complexity of forecasting models, the trade-off between forecast accuracy and computational cost is emerging as an extremely relevant topic, especially in the context of ensemble learning for time series forecasting. To asses it, we evaluated ten base models and eight ensemble configurations across two large-scale retail datasets (M5 and VN1), considering both point and probabilistic accuracy under varying retraining frequencies. We showed that ensembles consistently improve forecasting performance, particularly in probabilistic settings. However, these gains come at a substantial computational cost, especially for larger, accuracy-driven ensembles. We found that reducing retraining frequency significantly lowers costs, with minimal impact on accuracy, particularly for point forecasts. Moreover, efficiency-driven ensembles offer a strong balance, achieving competitive accuracy with considerably lower costs compared to accuracy-optimized combinations. Most importantly, small ensembles of two or three models are often sufficient to achieve near-optimal results. These findings provide practical guidelines for deploying scalable and cost-efficient forecasting systems, supporting the broader goals of sustainable AI in forecasting. Overall, this work shows that careful ensemble design and retraining strategy selection can yield accurate, robust, and cost-effective forecasts suitable for real-world applications.
- Abstract（参考訳）: データセットのサイズの継続的な増加と予測モデルの複雑さを考えると、予測精度と計算コストのトレードオフは、特に時系列予測におけるアンサンブル学習の文脈において、非常に関連するトピックとして現れている。
これを評価するため,2つの大規模小売データセット(M5とVN1)のベースモデルと8つのアンサンブル構成を評価し,異なるリトレーニング周波数下での点数および確率的精度を検討した。
アンサンブルは予測性能、特に確率的設定において一貫して改善することを示した。
しかし、これらの利得は、特により大きく精度の高いアンサンブルのために、相当な計算コストで得られる。
再トレーニング頻度の低減は,特に点予測において,精度に最小限の影響を伴ってコストを著しく低減することがわかった。
さらに、効率駆動型アンサンブルは高いバランスを提供し、精度最適化された組み合わせに比べてかなり低いコストで競争精度を達成する。
最も重要なことは、2つか3つのモデルの小さなアンサンブルは、しばしばほぼ最適の結果を得るのに十分である。
これらの知見は、スケーラブルでコスト効率のよい予測システムをデプロイするための実践的なガイドラインを提供し、予測における持続可能なAIの幅広い目標をサポートする。
全体として、この研究は、注意深いアンサンブル設計と再訓練戦略の選択によって、現実世界のアプリケーションに適した正確で堅牢で費用対効果の高い予測が得られることを示している。
関連論文リスト
- Do global forecasting models require frequent retraining? [0.0]
計算コストを削減しつつ予測精度を保ちつつ,再訓練戦略の頻度を低くすることを示す。
また、機械学習モデルは、頻度の低いモデル再トレーニング戦略と組み合わせることで、予測のコストを削減するために、はるかに良い選択であることもわかりました。
論文 参考訳（メタデータ） (2025-05-01T07:00:29Z) - Forecasting Company Fundamentals [19.363166648866066]
実企業データに基づく予測モデルについて,24の決定論的・確率的企業基盤を評価した。
ディープラーニングモデルは,従来のモデルよりも優れた予測性能を提供する。
これらの高品質な予測が、自動株式配分にどのような恩恵をもたらすかを示す。
論文 参考訳（メタデータ） (2024-10-21T14:21:43Z) - Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。
幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
論文 参考訳（メタデータ） (2024-07-02T20:14:32Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2023-10-17T20:30:16Z) - Ensemble Modeling for Time Series Forecasting: an Adaptive Robust
Optimization Approach [3.7565501074323224]
本稿では,時系列予測モデルの堅牢なアンサンブルを構築するための新しい手法を提案する。
本手法の有効性を,一連の合成実験と実世界の応用を通して実証する。
論文 参考訳（メタデータ） (2023-04-09T20:30:10Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2022-06-16T06:13:53Z) - Functional Ensemble Distillation [18.34081591772928]
本研究では,効率的なモデルを用いて,アンサンブルの予測を最もよく蒸留する方法を検討する。
混合増量方式による簡易増量方式による蒸留モデルの学習により, 性能が著しく向上することが判明した。
論文 参考訳（メタデータ） (2022-06-05T14:07:17Z) - Deep Learning for Post-Processing Ensemble Weather Forecasts [14.622977874836298]
深層ニューラルネットワークを用いた後処理ステップと組み合わせて,元来の天気トラジェクトリのサブセットのみを使用する混合モデルを提案する。
我々の後処理では,全アンサンブルに匹敵する結果を得るために,より少ないトラジェクトリを使用できることを示す。
論文 参考訳（メタデータ） (2020-05-18T14:23:26Z)
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。