論文の概要: From Samples to Scenarios: A New Paradigm for Probabilistic Forecasting

• arxiv url: http://arxiv.org/abs/2509.19975v1
• Date: Wed, 24 Sep 2025 10:30:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.777494
• Title: From Samples to Scenarios: A New Paradigm for Probabilistic Forecasting
• Title（参考訳）: サンプルからシナリオへ:確率予測の新しいパラダイム
• Authors: Xilin Dai, Zhijian Xu, Wanxu Cai, Qiang Xu,
• Abstract要約: ほとんどの最先端の確率的時系列予測モデルは、将来の不確実性を表すためにサンプリングに依存している。 textbf Probabilistic Scenariosは,サンプリングの限界に対処するための代替パラダイムである。 TimePrismは、2つのメトリクスに関する5つのベンチマークデータセットに対して、10の最先端結果のうち9を達成している。
• 参考スコア（独自算出の注目度）: 12.78669460902003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most state-of-the-art probabilistic time series forecasting models rely on sampling to represent future uncertainty. However, this paradigm suffers from inherent limitations, such as lacking explicit probabilities, inadequate coverage, and high computational costs. In this work, we introduce \textbf{Probabilistic Scenarios}, an alternative paradigm designed to address the limitations of sampling. It operates by directly producing a finite set of \{Scenario, Probability\} pairs, thus avoiding Monte Carlo-like approximation. To validate this paradigm, we propose \textbf{TimePrism}, a simple model composed of only three parallel linear layers. Surprisingly, TimePrism achieves 9 out of 10 state-of-the-art results across five benchmark datasets on two metrics. The effectiveness of our paradigm comes from a fundamental reframing of the learning objective. Instead of modeling an entire continuous probability space, the model learns to represent a set of plausible scenarios and corresponding probabilities. Our work demonstrates the potential of the Probabilistic Scenarios paradigm, opening a promising research direction in forecasting beyond sampling.
• Abstract（参考訳）: ほとんどの最先端の確率的時系列予測モデルは、将来の不確実性を表すためにサンプリングに依存している。 しかしながら、このパラダイムは、明示的な確率の欠如、不十分なカバレッジ、高い計算コストなど、固有の制限に悩まされている。 本稿では,サンプリングの限界に対処するために設計された代替パラダイムである \textbf{Probabilistic Scenarios} を紹介する。 これは、有限集合 \{Scenario, Probability\} ペアを直接生成することによって、モンテカルロのような近似を避けることができる。 このパラダイムを検証するために,3つの並列線形層のみからなる単純なモデルである \textbf{TimePrism} を提案する。 驚いたことに、TimePrismは2つのメトリクスに関する5つのベンチマークデータセットで10の最先端結果のうち9を達成している。 私たちのパラダイムの有効性は、学習目標の根本的な再フレーミングから来ています。 連続確率空間全体をモデル化する代わりに、モデルは妥当なシナリオと対応する確率の集合を表現することを学ぶ。 我々の研究は、確率シナリオパラダイムの可能性を実証し、サンプリングを超えて予測する上で有望な研究方向を開く。

関連論文リスト

• Generative Modeling with Bayesian Sample Inference [50.07758840675341]
  我々は,反復的なガウス後部推論から新しい生成モデルを導出した。 我々のモデルは、未知のサンプルを反復的に絞り込むために、一連の予測と後続の更新ステップを使用する。 実験では,BFNと近縁な変分拡散モデルの両方に対して,ImageNet32のサンプル品質が向上することが実証された。
  論文  参考訳（メタデータ） (2025-02-11T14:27:10Z)
• Elucidating the Design Choice of Probability Paths in Flow Matching for Forecasting [44.24834367720476]
  フローマッチングは、最近、強力なパラダイム生成モデリングとして登場した。 本研究では,フローマッチングを伴う時間的予測データが,確率パスモデルの選択に非常に敏感であることを示す。 そこで本研究では,予測性能向上のための新しい確率パスモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-04T08:34:14Z)
• User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
  拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。 本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。 推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
  論文  参考訳（メタデータ） (2023-06-13T03:42:03Z)
• Unsupervised Sampling Promoting for Stochastic Human Trajectory Prediction [10.717921532244613]
  本稿では,ベイズ最適化を教師なしで適応的にマイニングするBOsamplerという手法を提案する。 具体的には、軌道サンプリングをガウス過程としてモデル化し、潜在的なサンプリング値を測定するための獲得関数を構築する。 この取得関数は、元の分布を予め適用し、長い尾領域の経路を探索することを奨励する。
  論文  参考訳（メタデータ） (2023-04-09T19:15:14Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• A Worrying Analysis of Probabilistic Time-series Models for Sales Forecasting [10.690379201437015]
  確率的時系列モデルは、不確実性の下で最適な決定を下すのに役立つため、予測分野で人気がある。 販売予測のための3つの顕著な確率的時系列モデルの性能解析を行った。
  論文  参考訳（メタデータ） (2020-11-21T03:31:23Z)

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。