論文の概要: SPADE-S: A Sparsity-Robust Foundational Forecaster

• arxiv url: http://arxiv.org/abs/2507.21155v1
• Date: Thu, 24 Jul 2025 19:30:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:55.001378
• Title: SPADE-S: A Sparsity-Robust Foundational Forecaster
• Title（参考訳）: SPADE-S:スポーシティ・ロバスト・ファンデーション・フォアキャスター
• Authors: Malcolm Wolff, Matthew Li, Ravi Kiran Selvam, Hanjing Zhu, Kin G. Olivares, Ruijun Ma, Abhinav Katoch, Shankar Ramasubramanian, Mengfei Cao, Roberto Bandarra, Rahul Gopalsamy, Stefania La Vattiata, Sitan Yang, Michael M. Mahoney,
• Abstract要約: SPADE-Sは、マグニチュードとスパシティベースの体系的バイアスを著しく低減し、全体的な予測精度を向上させる頑健な予測アーキテクチャである。 本研究では,SPADE-Sが予測精度を最大15%向上できることを示す。
• 参考スコア（独自算出の注目度）: 5.330925745336525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite significant advancements in time series forecasting, accurate modeling of time series with strong heterogeneity in magnitude and/or sparsity patterns remains challenging for state-of-the-art deep learning architectures. We identify several factors that lead existing models to systematically underperform on low-magnitude and sparse time series, including loss functions with implicit biases toward high-magnitude series, training-time sampling methods, and limitations of time series encoding methods. SPADE-S is a robust forecasting architecture that significantly reduces magnitude- and sparsity-based systematic biases and improves overall prediction accuracy. Empirical results demonstrate that SPADE-S outperforms existing state-of-the-art approaches across a diverse set of use cases in demand forecasting. In particular, we show that, depending on the quantile forecast and magnitude of the series, SPADE-S can improve forecast accuracy by up to 15%. This results in P90 overall forecast accuracy gains of 2.21%, 6.58%, and 4.28%, and P50 forecast accuracy gains of 0.92%, 0.77%, and 1.95%, respectively, for each of three distinct datasets, ranging from 3 million to 700 million series, from a large online retailer.
• Abstract（参考訳）: 時系列予測の大幅な進歩にもかかわらず、大規模および/またはスパーシティパターンの強い異質性を持つ時系列の正確なモデリングは、最先端のディープラーニングアーキテクチャでは難しいままである。 既存のモデルが低次・スパース級数で体系的に過小評価される要因として,高次数に対する暗黙バイアスのある損失関数,トレーニング時間サンプリング手法,時系列符号化手法の制限などを挙げる。 SPADE-Sは、マグニチュードとスパシティベースの体系的バイアスを著しく低減し、全体的な予測精度を向上させる頑健な予測アーキテクチャである。 実証的な結果から、SPADE-Sは需要予測における様々なユースケースにおいて、既存の最先端アプローチよりも優れていることが示された。 特に,SPADE-Sが予測精度を最大15%向上できることを示す。 この結果、P90の全体的な予測精度は2.21%、6.58%、および4.28%、P50の予測精度は0.92%、0.77%、および1.95%で、それぞれ大きなオンライン小売業者から300万から7億までの3つの異なるデータセットに対して上昇する。

関連論文リスト

• FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
  FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。 その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
  論文  参考訳（メタデータ） (2025-07-16T11:22:18Z)
• RainPro-8: An Efficient Deep Learning Model to Estimate Rainfall Probabilities Over 8 Hours [4.726419619132143]
  ヨーロッパにおける8時間の地平線上での高分解能確率降水予測のための深層学習モデルを提案する。 本モデルは,レーダー,衛星,物理に基づく数値気象予測(NWP)を含む複数のデータソースを効率よく統合し,長距離の相互作用を捉える。
  論文  参考訳（メタデータ） (2025-05-15T13:22:20Z)
• Accurate and Reliable Predictions with Mutual-Transport Ensemble [46.368395985214875]
  Kullback-Leibler (KL) を用いた共学習補助モデルの提案とクロスエントロピー損失の適応的正則化 MTEは精度と不確実性の両方を同時に向上させることができる。 例えば、CIFAR-100データセットでは、我々のResNet34/50上のMTEメソッドは、従来の最先端の手法に比べて大幅に改善された。
  論文  参考訳（メタデータ） (2024-05-30T03:15:59Z)
• 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)
• GenCast: Diffusion-based ensemble forecasting for medium-range weather [10.845679586464026]
  我々は,世界最上位の中距離気象予測よりも高い技術と速度を持つ確率的気象モデルであるGenCastを紹介する。 GenCastは、12時間のステップと0.25度の緯度で、80以上の地表と大気の変数を8分で15日間のグローバルな予測のアンサンブルを生成する。 評価した1320の目標の97.4%よりも高いスキルを持ち、極端な天候、熱帯のサイクロン、風力発電を予測できる。
  論文  参考訳（メタデータ） (2023-12-25T19:30:06Z)
• 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)
• PostRainBench: A comprehensive benchmark and a new model for precipitation forecasting [14.855615256498]
  数値気象予報(NWP)の事後処理に基づく降水予測に着目する。 我々は,包括的マルチ変数NWP後処理ベンチマークである textbfPostRainBench と,シンプルで効果的なChannel Attention Enhanced Multi-task Learning フレームワークである textbfCAMT を紹介する。 我々のモデルは,大雨条件下でNWPアプローチより優れた深層学習に基づく最初の手法である。
  論文  参考訳（メタデータ） (2023-10-04T09:27:39Z)
• 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)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)
• A Machine Learning Outlook: Post-processing of Global Medium-range Forecasts [0.0]
  後処理は通常、数値気象予測(NWP)モデルの出力を受け取り、線形統計手法を適用する。 本研究では, 温度850hPaで7日間の予測において, 最大12%(RMSE)の精度向上を達成できることを示す。 我々は、ルート平均二乗誤差 (RMSE) や異常相関係数 (ACC) といった標準メトリクスを使用する際の課題について議論する。
  論文  参考訳（メタデータ） (2023-03-28T20:48:01Z)
• Beyond S-curves: Recurrent Neural Networks for Technology Forecasting [60.82125150951035]
  我々は機械学習と時系列予測の最近の進歩を生かしたオートコーダアプローチを開発した。 S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。 我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。
  論文  参考訳（メタデータ） (2022-11-28T14:16:22Z)
• DMIDAS: Deep Mixed Data Sampling Regression for Long Multi-Horizon Time Series Forecasting [13.458489651961106]
  本研究では,高周波医療と電力価格データを用いた長期エネルギー価格の予測手法を開発した。 我々は,最先端モデルの予測精度を5%向上し,NBEATSのパラメータ数を約70%削減した。
  論文  参考訳（メタデータ） (2021-06-07T22:36:38Z)

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。