論文の概要: Foundation Models for Demand Forecasting via Dual-Strategy Ensembling

• arxiv url: http://arxiv.org/abs/2507.22053v1
• Date: Tue, 29 Jul 2025 17:56:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:56.847206
• Title: Foundation Models for Demand Forecasting via Dual-Strategy Ensembling
• Title（参考訳）: デュアルストラテジーによる需要予測の基礎モデル
• Authors: Wei Yang, Defu Cao, Yan Liu,
• Abstract要約: 本研究では,現実のサプライチェーンにおける販売予測のための基盤モデルの性能を向上させる統一アンサンブルフレームワークを提案する。 提案手法は,(1)階層型アンサンブル(HE)と(2)モデルバックボーンからの予測を統合し,バイアスを緩和し,安定性を向上させるアーキテクチャアンサンブル(AE)の2つの相補的戦略を組み合わせる。
• 参考スコア（独自算出の注目度）: 11.926658499983446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate demand forecasting is critical for supply chain optimization, yet remains difficult in practice due to hierarchical complexity, domain shifts, and evolving external factors. While recent foundation models offer strong potential for time series forecasting, they often suffer from architectural rigidity and limited robustness under distributional change. In this paper, we propose a unified ensemble framework that enhances the performance of foundation models for sales forecasting in real-world supply chains. Our method combines two complementary strategies: (1) Hierarchical Ensemble (HE), which partitions training and inference by semantic levels (e.g., store, category, department) to capture localized patterns; and (2) Architectural Ensemble (AE), which integrates predictions from diverse model backbones to mitigate bias and improve stability. We conduct extensive experiments on the M5 benchmark and three external sales datasets, covering both in-domain and zero-shot forecasting. Results show that our approach consistently outperforms strong baselines, improves accuracy across hierarchical levels, and provides a simple yet effective mechanism for boosting generalization in complex forecasting environments.
• Abstract（参考訳）: 正確な需要予測はサプライチェーンの最適化には不可欠だが、階層的な複雑さ、ドメインシフト、進化する外部要因のため、実際は困難である。 最近の基礎モデルは時系列予測に強い可能性を秘めているが、しばしば構造的剛性や分布変化下での厳密さに悩まされる。 本稿では,現実のサプライチェーンにおける販売予測のための基盤モデルの性能を向上させる統一アンサンブルフレームワークを提案する。 提案手法は,(1)階層型アンサンブル(HE)と,(2)モデルバックボーンからの予測を統合し,バイアスを緩和し,安定性を向上するアーキテクチャアンサンブル(AE)の2つの相補的戦略を組み合わせる。 我々は、M5ベンチマークと3つの外部販売データセットで広範な実験を行い、ドメイン内およびゼロショット予測の両方をカバーしています。 その結果,提案手法は強いベースラインを一貫して上回り,階層レベルの精度を向上し,複雑な予測環境における一般化を促進するためのシンプルかつ効果的なメカニズムを提供することがわかった。

関連論文リスト

• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization [49.567092222782435]
  我々は,異なる特徴帰属法間の合意として定義された,XAI整合性という新しい概念を紹介する。 予測性能と説明のバランスをとる多目的最適化フレームワークを構築した。 本研究は、トレードオフゾーンバランス性能損失とXAI整合性による強靭性向上のモデルについて、今後の研究基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-12T13:19:14Z)
• A Comprehensive Forecasting Framework based on Multi-Stage Hierarchical Forecasting Reconciliation and Adjustment [16.859089765648356]
  本稿では,季節性維持,コヒーレンス確保,精度向上という課題に対処する新しい枠組みを提案する。 提案されたフレームワークは、Walmartの広告、営業、運用チームが将来の要求を追跡するためにデプロイされ、活用されている。
  論文  参考訳（メタデータ） (2024-12-19T10:33:19Z)
• $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。 我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。 CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• Exploring Optimal Substructure for Out-of-distribution Generalization via Feature-targeted Model Pruning [23.938392334438582]
  本研究では,不均一な部分構造を自動探索するために,SFPと呼ばれる新しいSpurious Feature-targeted Model Pruningフレームワークを提案する。 SFP は構造ベースおよび非構造 OOD 一般化 SOTA をそれぞれ4.72% と 23.35% に向上させることができる。
  論文  参考訳（メタデータ） (2022-12-19T13:51:06Z)
• Target-Embedding Autoencoders for Supervised Representation Learning [111.07204912245841]
  本稿では,対象空間が高次元な純粋教師付き環境における一般化の枠組みを解析する。 我々は、教師付き予測のための目標埋め込みオートエンコーダ(TEA)の一般的なフレームワークのモチベーションと形式化を行い、特徴とターゲットの予測の両方から予測可能なように最適化された中間潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-01-23T02:37:10Z)

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。