論文の概要: Hierarchical Evaluation Function: A Multi-Metric Approach for Optimizing Demand Forecasting Models

• arxiv url: http://arxiv.org/abs/2508.13057v5
• Date: Wed, 15 Oct 2025 14:39:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 17:53:16.249642
• Title: Hierarchical Evaluation Function: A Multi-Metric Approach for Optimizing Demand Forecasting Models
• Title（参考訳）: 階層的評価関数:需要予測モデル最適化のためのマルチメトリックアプローチ
• Authors: Adolfo González, Víctor Parada,
• Abstract要約: ハイパーパラメータ最適化のためのマルチメトリックフレームワークとして階層評価関数(HEF)を提案する。 HEFは説明力(R2)、過度エラーに対する感度(RMSE)、平均精度(MAE)を統合している。 HEFの性能は予測領域で広く認識されている4つのベンチマークデータセットを用いて評価した。
• 参考スコア（独自算出の注目度）: 0.479839492673697
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Demand forecasting in competitive and uncertain business environments requires models that can integrate multiple evaluation perspectives, rather than being restricted to hyperparameter optimization through a single metric. This traditional approach tends to prioritize one error indicator, which can bias results when metrics provide contradictory signals. In this context, the Hierarchical Evaluation Function (HEF) is proposed as a multi-metric framework for hyperparameter optimization that integrates explanatory power (R2), sensitivity to extreme errors (RMSE), and average accuracy (MAE). The performance of HEF was assessed using four widely recognized benchmark datasets in the forecasting domain: the Walmart, M3, M4, and M5 datasets. Prediction models were optimized through Grid Search, Particle Swarm Optimization (PSO), and Optuna, and statistical analyses based on difference-of-proportions tests confirmed that HEF delivers superior results compared to a unimetric reference function, regardless of the optimizer employed, with particular relevance for heterogeneous monthly time series (M3) and highly granular daily demand scenarios (M5). The findings demonstrate that HEF improves stability, generalization, and robustness at a low computational cost, consolidating its role as a reliable evaluation framework that enhances model selection, enables more accurate demand forecasts, and supports decision-making in dynamic and competitive business environments.
• Abstract（参考訳）: 競争的かつ不確実なビジネス環境での需要予測には、単一のメトリックによるハイパーパラメータ最適化に制限されるのではなく、複数の評価視点を統合するモデルが必要である。 従来のアプローチでは、1つのエラーインジケータを優先する傾向があります。 この文脈では、説明力(R2)、過度エラーに対する感度(RMSE)、平均精度(MAE)を統合したハイパーパラメータ最適化のためのマルチメトリックフレームワークとして階層評価関数(HEF)が提案される。 HEFのパフォーマンスは、予測領域で広く認識されている4つのベンチマークデータセット(Walmart、M3、M4、M5データセット)を使用して評価された。 予測モデルはGrid Search, Particle Swarm Optimization (PSO) および Optuna を用いて最適化され,HEF が一律参照関数よりも優れた結果をもたらすことを確認した。 その結果,HEFは安定性,一般化,堅牢性を低い計算コストで向上し,モデル選択を向上し,より正確な需要予測を可能にし,動的かつ競争的なビジネス環境における意思決定を支援する信頼性評価フレームワークとしての役割を固めた。

関連論文リスト

• Divergence Minimization Preference Optimization for Diffusion Model Alignment [58.651951388346525]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 その結果,DMPOで微調整した拡散モデルは,既存の手法よりも常に優れるか,一致しているかが示唆された。 DMPOは、優先順位調整のための堅牢でエレガントな経路を解き、拡散モデルにおいて実用的な性能を持つ原理的理論をブリッジする。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• Can Time-Series Foundation Models Perform Building Energy Management Tasks? [5.450531952940644]
  エネルギー管理タスクを構築するには、さまざまな時系列データからの処理と学習が必要である。 既存のソリューションは、これらのタスクを実行するために、bespokeタスクとデータ固有のモデルに依存しています。 LLM(Large Language Models)の変革的な成功に触発されて、TSFM(Time-Series Foundation Models)は、これを変える可能性を秘めている。
  論文  参考訳（メタデータ） (2025-06-12T19:45:10Z)
• Feasible Learning [78.6167929413604]
  本稿では,サンプル中心の学習パラダイムであるFeasible Learning(FL)を紹介する。 大規模言語モデルにおける画像分類, 年齢回帰, 好みの最適化といった経験的分析により, FLを用いて訓練したモデルでは, 平均的性能に限界があるものの, ERMと比較して改善された尾の挙動を示しながらデータから学習できることが実証された。
  論文  参考訳（メタデータ） (2025-01-24T20:39:38Z)
• QGAPHEnsemble : Combining Hybrid QLSTM Network Ensemble via Adaptive Weighting for Short Term Weather Forecasting [0.0]
  本研究は,高度な機械学習技術を用いた実践的有効性を強調した。 本モデルでは,気象予測の精度と信頼性が大幅に向上したことを示す。 本稿では,天気予報タスクの性能向上のために,最適化アンサンブル技術の重要性を強調した。
  論文  参考訳（メタデータ） (2025-01-18T20:18:48Z)
• Local vs. Global Models for Hierarchical Forecasting [0.0]
  本研究では,情報活用が階層的予測の精度に与える影響について検討する。 我々は,クロスシリーズとクロス階層情報を活用するために,グローバル予測モデル(GFM)を開発した。 LightGBM に基づく2つの特定の GFM が導入された。
  論文  参考訳（メタデータ） (2024-11-10T08:51:49Z)
• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• On ADMM in Heterogeneous Federated Learning: Personalization, Robustness, and Fairness [16.595935469099306]
  本稿では,乗算器の交互方向法(ADMM)を利用して,パーソナライズおよびグローバルモデルの学習を行う最適化フレームワークFLAMEを提案する。 我々の理論的解析は、軽度の仮定の下で、FLAMEのグローバル収束と2種類の収束速度を確立する。 実験の結果,FLAMEは収束と精度において最先端の手法より優れており,各種攻撃下では高い精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2024-07-23T11:35:42Z)
• 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)
• Comparative Evaluation of Metaheuristic Algorithms for Hyperparameter Selection in Short-Term Weather Forecasting [0.0]
  本稿では,遺伝的アルゴリズム (GA), 微分進化 (DE), 粒子群最適化 (PSO) のメタヒューリスティックアルゴリズムの適用について検討する。 平均二乗誤差(MSE)や平均絶対パーセンテージ誤差(MAPE)といった指標に基づいて天気予報の性能を評価する。
  論文  参考訳（メタデータ） (2023-09-05T22:13:35Z)

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。