論文の概要: From Many Models, One: Macroeconomic Forecasting with Reservoir Ensembles
- arxiv url: http://arxiv.org/abs/2512.13642v1
- Date: Mon, 15 Dec 2025 18:36:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.808888
- Title: From Many Models, One: Macroeconomic Forecasting with Reservoir Ensembles
- Title（参考訳）: 多くのモデルから1つ:貯水池アンサンブルを用いたマクロ経済予測
- Authors: Giovanni Ballarin, Lyudmila Grigoryeva, Yui Ching Li,
- Abstract要約: マルチ周波数エコー状態ネットワーク(MFESN)のアンサンブルの有効性について検討する。
Hedge と Follow-the-Leader のスキームについて議論し、オンライン学習保証を依存データに拡張する。
アプリケーションでは,提案したEnsemble Echo State Networksは個々のMFESNモデルと比較して予測性能が大幅に向上した。
- 参考スコア（独自算出の注目度）: 3.4716081340827016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Model combination is a powerful approach to achieve superior performance with a set of models than by just selecting any single one. We study both theoretically and empirically the effectiveness of ensembles of Multi-Frequency Echo State Networks (MFESNs), which have been shown to achieve state-of-the-art macroeconomic time series forecasting results (Ballarin et al., 2024a). Hedge and Follow-the-Leader schemes are discussed, and their online learning guarantees are extended to the case of dependent data. In applications, our proposed Ensemble Echo State Networks show significantly improved predictive performance compared to individual MFESN models.
- Abstract（参考訳）: モデルの組み合わせは、単一のモデルを選択することよりも、モデルのセットで優れたパフォーマンスを達成するための強力なアプローチです。
本研究では,MFESN(Multi-Frequency Echo State Networks)のアンサンブルの有効性を理論的および実験的に検討した。
Hedge と Follow-the-Leader のスキームについて議論し、オンライン学習保証を依存データに拡張する。
アプリケーションでは,提案したEnsemble Echo State Networksは個々のMFESNモデルと比較して予測性能が大幅に向上した。
関連論文リスト
- Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。
TSFMの新しい調停フレームワークであるSynapseを提案する。
その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-11-07T18:01:51Z) - Chronos-2: From Univariate to Universal Forecasting [52.753731922908905]
Chronos-2は、一変量、多変量、共変量による予測タスクをゼロショットで処理できる事前訓練されたモデルである。
fev-bench、GIFT-Eval、Chronos Benchmark IIの3つの総合ベンチマークで最先端のパフォーマンスを提供する。
Chronos-2のコンテキスト内学習能力は、現実世界の予測パイプラインで"as is"として使用できる汎用予測モデルとして確立されている。
論文 参考訳（メタデータ） (2025-10-17T17:00:53Z) - HAD: Hybrid Architecture Distillation Outperforms Teacher in Genomic Sequence Modeling [52.58723853697152]
DNA配列モデリングのためのハイブリッドアーキテクチャ蒸留(HAD)手法を提案する。
我々はNTv2-500Mを教師モデルとして採用し,グループマスキング戦略を考案した。
類似したパラメータを持つモデルと比較して,本モデルは優れた性能を示した。
論文 参考訳（メタデータ） (2025-05-27T07:57:35Z) - 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) - A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。
ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。
当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
論文 参考訳（メタデータ） (2024-11-20T20:38:56Z) - 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) - Sequential Bayesian Neural Subnetwork Ensembles [4.6354120722975125]
本稿では、トレーニング過程を通じてモデルの複雑さを一貫して維持する動的ベイズニューラルワークのシーケンシャルアンサンブルに対するアプローチを提案する。
提案手法は,予測精度,不確実性推定,アウト・オブ・ディストリビューション検出,および対向ロバスト性の観点から,従来の密度決定モデルとスパース決定モデル,ベイズアンサンブルモデルより優れる。
論文 参考訳（メタデータ） (2022-06-01T22:57:52Z) - Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。
Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文 参考訳（メタデータ） (2021-10-07T11:58:35Z)
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。