論文の概要: MoGU: Mixture-of-Gaussians with Uncertainty-based Gating for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2510.07459v1
• Date: Wed, 08 Oct 2025 19:04:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.681594
• Title: MoGU: Mixture-of-Gaussians with Uncertainty-based Gating for Time Series Forecasting
• Title（参考訳）: MoGU: 時系列予測のための不確実性に基づくゲーティングとガウス混合
• Authors: Yoli Shavit, Jacob Goldberger,
• Abstract要約: 不確実性に基づくゲーティング(MoGU)を併用した混合ガウス(Mixture-of-Gaussian)を導入する。 点推定のみを提供する従来のMoEとは異なり、MoGUは各専門家の出力をガウス分布としてモデル化する。 MoGUのコアイノベーションは、従来の入力ベースのゲーティングネットワークを置き換える不確実性ベースのゲーティングメカニズムである。
• 参考スコア（独自算出の注目度）: 14.843307803219611
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Mixture-of-Gaussians with Uncertainty-based Gating (MoGU), a novel Mixture-of-Experts (MoE) framework designed for regression tasks and applied to time series forecasting. Unlike conventional MoEs that provide only point estimates, MoGU models each expert's output as a Gaussian distribution. This allows it to directly quantify both the forecast (the mean) and its inherent uncertainty (variance). MoGU's core innovation is its uncertainty-based gating mechanism, which replaces the traditional input-based gating network by using each expert's estimated variance to determine its contribution to the final prediction. Evaluated across diverse time series forecasting benchmarks, MoGU consistently outperforms single-expert models and traditional MoE setups. It also provides well-quantified, informative uncertainties that directly correlate with prediction errors, enhancing forecast reliability. Our code is available from: https://github.com/yolish/moe_unc_tsf
• Abstract（参考訳）: 不確実性に基づくGating(MoGU)という,回帰タスク用に設計された新しいMixture-of-Experts(MoE)フレームワークを導入し,時系列予測に適用する。 点推定のみを提供する従来のMoEとは異なり、MoGUは各専門家の出力をガウス分布としてモデル化する。 これにより、予測(平均)と固有の不確実性(分散)の両方を直接定量化することができる。 MoGUの中核となる革新は不確実性に基づくゲーティング機構である。これは、各専門家の予測分散を用いて、その最終的な予測への貢献を決定することによって、従来の入力ベースのゲーティングネットワークを置き換えるものである。 様々な時系列予測ベンチマークで評価され、MoGUは一貫してシングルエキスパートモデルと従来のMoEセットアップを上回っている。 また、予測エラーと直接相関し、予測信頼性を高める、十分に定量化され、情報に富む不確実性も提供する。 私たちのコードは、https://github.com/yolish/moe_unc_tsfから入手可能です。

関連論文リスト

• Forecasting intermittent time series with Gaussian Processes and Tweedie likelihood [0.840358257755792]
  我々は、断続時系列の確率的予測のための潜在関数としてガウス過程(GP)を採用する。 我々は、潜在GP変数と、負二項分布(NegBinGP)とツイーディ分布(TweedieGP)の2種類の予測分布を結合する。
  論文  参考訳（メタデータ） (2025-02-26T12:31:56Z)
• Posterior Uncertainty Quantification in Neural Networks using Data Augmentation [3.9860047080844807]
  深層アンサンブルは,既存の観測結果にのみ,将来のデータがサポートされることを前提として,基本的に不特定モデルクラスであることを示す。 一般的なデータ拡張手法を用いて,より現実的な予測分布を構築する手法であるMixupMPを提案する。 実験により,MixupMPは様々な画像分類データセットにおいて,優れた予測性能と不確かさの定量化を実現することが示された。
  論文  参考訳（メタデータ） (2024-03-18T17:46:07Z)
• MGF: Mixed Gaussian Flow for Diverse Trajectory Prediction [72.70572835589158]
  本稿では,軌道予測のための正規化フローモデルに対して,混合ガウス前駆体を構築することを提案する。 提案手法は,一般的な UCY/ETH および SDD データセットにおける軌道アライメントと多様性の評価において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-02-19T15:48:55Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• 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)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。