論文の概要: Improving accuracy in short mortality rate series: Exploring Multi-step Forecasting Approaches in Hybrid Systems

• arxiv url: http://arxiv.org/abs/2509.22395v1
• Date: Fri, 26 Sep 2025 14:22:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.497975
• Title: Improving accuracy in short mortality rate series: Exploring Multi-step Forecasting Approaches in Hybrid Systems
• Title（参考訳）: 短命率シリーズの精度向上:ハイブリッドシステムにおける多段階予測手法の探求
• Authors: Filipe C. L. Duarte, Paulo S. G. de Mattos Neto, Paulo R. A. Firmino,
• Abstract要約: 多段階の予測は公衆衛生、人口計画、保険リスク評価に不可欠である。 本研究では,ハイブリッドシステムの精度に及ぼす多段階予測手法の影響について検討した。
• 参考スコア（独自算出の注目度）: 0.9940728137241214
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The decline in interest rates and economic stabilization has heightened the importance of accurate mortality rate forecasting, particularly in insurance and pension markets. Multi-step-ahead predictions are crucial for public health, demographic planning, and insurance risk assessments; however, they face challenges when data are limited. Hybrid systems that combine statistical and Machine Learning (ML) models offer a promising solution for handling both linear and nonlinear patterns. This study evaluated the impact of different multi-step forecasting approaches (Recursive, Direct, and Multi-Input Multi-Output) and ML models on the accuracy of hybrid systems. Results from 12 datasets and 21 models show that the selection of both the multi-step approach and the ML model is essential for improving performance, with the ARIMA-LSTM hybrid using a recursive approach outperforming other models in most cases.
• Abstract（参考訳）: 金利の下落と経済安定化は、特に保険や年金市場での正確な死亡率予測の重要性を高めている。 マルチステップの予測は公衆衛生、人口統計計画、保険リスク評価に不可欠であるが、データに制限がある場合には課題に直面している。 統計モデルと機械学習モデルを組み合わせたハイブリッドシステムは、線形パターンと非線形パターンの両方を扱うための有望なソリューションを提供する。 本研究では,ハイブリッドシステムの精度に及ぼす多段階予測手法(再帰的,直接的,多入力的)とMLモデルの影響について検討した。 12のデータセットと21のモデルから得られた結果は、マルチステップアプローチとMLモデルの両方の選択がパフォーマンス向上に不可欠であることを示し、ARIMA-LSTMハイブリッドは、ほとんどの場合、他のモデルよりも優れた再帰的アプローチを用いている。

関連論文リスト

• Uncertainty-Aware Collaborative System of Large and Small Models for Multimodal Sentiment Analysis [17.98292973608615]
  マルチモーダル感情分析のための強力なMLLMと軽量なベースラインモデルを編成する新しい不確実性認識協調システム(U-ACS)を提案する。 提案手法は,スタンドアロンのMLLMに比べて計算資源のごく一部しか必要とせず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-08-27T16:01:58Z)
• Generalized Linear Bandits: Almost Optimal Regret with One-Pass Update [60.414548453838506]
  非線形リンク関数を組み込んで古典線形モデルを拡張したコンテキスト型多武装バンディットフレームワークである一般化線形バンディット問題(GLB)について検討する。 GLBは現実世界のシナリオに広く適用できるが、その非線形性は計算効率と統計効率の両方を達成する上で大きな課題をもたらす。 本稿では,$mathcalO(1)$時間と1ラウンドあたりの空間複雑度をほぼ最適に再現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-16T02:24:21Z)
• Enhancing Time Series Forecasting via a Parallel Hybridization of ARIMA and Polynomial Classifiers [1.9799527196428246]
  本稿では,ARIMAモデルと分類器を統合するハイブリッド予測手法を提案する。 提案したハイブリッドモデルは,実行時間の増加とともに予測精度が向上するにもかかわらず,個々のモデルよりも一貫して性能が向上する。
  論文  参考訳（メタデータ） (2025-05-11T06:53:19Z)
• Enhancing Black-Litterman Portfolio via Hybrid Forecasting Model Combining Multivariate Decomposition and Noise Reduction [13.04801847533423]
  本稿では,ビュー生成プロセスの自動化と改善を目的としたハイブリッド予測モデルSSA-MAEMD-TCNを提案する。 ナスダック100指数の実証試験では、ベースラインモデルと比較して予測性能が大幅に改善した。 最適化されたポートフォリオは、年次リターンとシャープ比率が従来のポートフォリオよりもはるかに高いため、うまく機能する。
  論文  参考訳（メタデータ） (2025-05-03T10:52:57Z)
• 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)
• Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
  我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。 シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T19:16:56Z)
• A Statistics and Deep Learning Hybrid Method for Multivariate Time Series Forecasting and Mortality Modeling [0.0]
  Exponential Smoothing Recurrent Neural Network (ES-RNN)は、統計予測モデルとリカレントニューラルネットワークのハイブリッドである。 ES-RNNはMakridakis-4 Forecasting Competitionで絶対誤差を9.4%改善した。
  論文  参考訳（メタデータ） (2021-12-16T04:44:19Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)

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。