論文の概要: RDIT: Residual-based Diffusion Implicit Models for Probabilistic Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2509.02341v1
• Date: Tue, 02 Sep 2025 14:06:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:04.054817
• Title: RDIT: Residual-based Diffusion Implicit Models for Probabilistic Time Series Forecasting
• Title（参考訳）: RDIT:確率的時系列予測のための残差拡散インシシシットモデル
• Authors: Chih-Yu Lai, Yu-Chien Ning, Duane S. Boning,
• Abstract要約: RDITは、点推定と残差に基づく条件拡散と双方向のMambaネットワークを組み合わせたプラグアンドプレイフレームワークである。 RDITは, 強いベースラインに比べてCRPSの低下, 高速推論, カバレッジの向上を実現している。
• 参考スコア（独自算出の注目度）: 4.140149411004857
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Probabilistic Time Series Forecasting (PTSF) plays a critical role in domains requiring accurate and uncertainty-aware predictions for decision-making. However, existing methods offer suboptimal distribution modeling and suffer from a mismatch between training and evaluation metrics. Surprisingly, we found that augmenting a strong point estimator with a zero-mean Gaussian, whose standard deviation matches its training error, can yield state-of-the-art performance in PTSF. In this work, we propose RDIT, a plug-and-play framework that combines point estimation and residual-based conditional diffusion with a bidirectional Mamba network. We theoretically prove that the Continuous Ranked Probability Score (CRPS) can be minimized by adjusting to an optimal standard deviation and then derive algorithms to achieve distribution matching. Evaluations on eight multivariate datasets across varied forecasting horizons demonstrate that RDIT achieves lower CRPS, rapid inference, and improved coverage compared to strong baselines.
• Abstract（参考訳）: 確率的時系列予測(PTSF)は、意思決定に正確かつ不確実性を考慮した予測を必要とする領域において重要な役割を果たす。 しかし、既存の手法は最適下分布モデルを提供し、トレーニングと評価指標のミスマッチに悩まされている。 意外なことに、標準偏差がトレーニング誤差に合致するゼロ平均ガウスによる強点推定器を増強すると、PTSFの最先端性能が得られることが判明した。 本研究では,点推定と残差に基づく条件拡散を双方向のマンバネットワークと組み合わせたプラグイン・アンド・プレイ・フレームワークRDITを提案する。 理論的には、CRPS(Continuous Ranked Probability Score)は最適な標準偏差に調整し、分布マッチングを実現するアルゴリズムを導出することで最小化できる。 様々な予測地平線をまたいだ8つの多変量データセットの評価は、RDITが強いベースラインよりも低いCRPS、高速な推論、カバー率の向上を実現していることを示している。

関連論文リスト

• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• Conformal Risk Minimization with Variance Reduction [37.74931189657469]
  コンフォーマル予測(CP)は、ブラックボックスモデルにおける確率的保証を達成するための分布自由フレームワークである。 最近の研究は、トレーニング中のCP効率の最適化に重点を置いている。 我々は、この概念を共形リスク最小化の問題として定式化する。
  論文  参考訳（メタデータ） (2024-11-03T21:48:15Z)
• Probabilistic Scores of Classifiers, Calibration is not Enough [0.32985979395737786]
  二項分類タスクでは、確率的予測の正確な表現が実世界の様々な応用に不可欠である。 本研究では,予測スコアと真の確率分布の一致を優先するアプローチを強調した。 その結果,従来の校正基準の限界が明らかとなり,重要な意思決定のための予測モデルの信頼性を損なう可能性が示唆された。
  論文  参考訳（メタデータ） (2024-08-06T19:53:00Z)
• Mathematical Properties of Continuous Ranked Probability Score Forecasting [0.0]
  分布回帰法によるCRPSの収束率について検討する。 分布回帰に対するk-アネレスト近傍法とカーネル法が,次元$dgeq2$の収束率の最適値に達することを示す。
  論文  参考訳（メタデータ） (2022-05-09T15:01:13Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。