論文の概要: Improving Geopolitical Forecasts with Bayesian Networks

• arxiv url: http://arxiv.org/abs/2601.13362v1
• Date: Mon, 19 Jan 2026 19:56:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.043073
• Title: Improving Geopolitical Forecasts with Bayesian Networks
• Title（参考訳）: ベイジアンネットワークによる地政学予測の改善
• Authors: Matthew Martin,
• Abstract要約: 本研究では,ロジスティック回帰法や再校正法と比較して,ベイズネットワーク(BN)が予測精度を向上させる方法について検討した。 正規化ロジスティック回帰モデルとベースライン再校正集約を, 予測器間の弧を持つ構造学習BNと, 素性BNの2種類のBNと比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study explores how Bayesian networks (BNs) can improve forecast accuracy compared to logistic regression and recalibration and aggregation methods, using data from the Good Judgment Project. Regularized logistic regression models and a baseline recalibrated aggregate were compared to two types of BNs: structure-learned BNs with arcs between predictors, and naive BNs. Four predictor variables were examined: absolute difference from the aggregate, forecast value, days prior to question close, and mean standardized Brier score. Results indicated the recalibrated aggregate achieved the highest accuracy (AUC = 0.985), followed by both types of BNs, then the logistic regression models. Performance of the BNs was likely harmed by reduced information from the discretization process and violation of the assumption of linearity likely harmed the logistic regression models. Future research should explore hybrid approaches combining BNs with logistic regression, examine additional predictor variables, and account for hierarchical data dependencies.
• Abstract（参考訳）: 本研究は,Good Judgment Projectのデータを用いて,ロジスティック回帰法や再校正法と比較して,ベイズネットワーク(BN)が予測精度を向上する方法について検討する。 正規化ロジスティック回帰モデルとベースライン再校正集約を, 予測器間の弧を持つ構造学習BNと, 素性BNの2種類のBNと比較した。 4つの予測変数について, 集計値と絶対差, 質問前の日数, 平均ブライアスコアを検討した。 その結果,再校正された集合は高い精度(AUC = 0.985)を達成し,次にBNの両タイプ,ロジスティック回帰モデルが得られた。 BNの性能は、離散化過程からの情報の減少と線形性の仮定の違反によって損なわれ、ロジスティック回帰モデルに悪影響を及ぼした可能性がある。 今後の研究は、BNとロジスティック回帰を組み合わせたハイブリッドアプローチ、追加の予測変数の検証、階層的なデータ依存の考慮などを検討するべきである。

関連論文リスト

• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Co-data Learning for Bayesian Additive Regression Trees [0.0]
  本稿では,コデータから木間関係の予測モデルを構築することを提案する。 提案手法は複数のデータ型を同時に扱うことができる。 Co-dataは、大きなB細胞リンパ腫の予後を拡散させる用途における予測を強化する。
  論文  参考訳（メタデータ） (2023-11-16T16:14:39Z)
• Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
  我々は,推論中に深層モデルを新しい環境に適応させることを提案する。 バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。 また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
  論文  参考訳（メタデータ） (2021-10-06T08:45:03Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing Regressions In NLP Model Updates [68.09049111171862]
  この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。 回帰フリーモデル更新を制約付き最適化問題に定式化する。 モデルアンサンブルが回帰を減らす方法を実証的に分析します。
  論文  参考訳（メタデータ） (2021-05-07T03:33:00Z)
• Double Forward Propagation for Memorized Batch Normalization [68.34268180871416]
  バッチ正規化(BN)は、ディープニューラルネットワーク(DNN)の設計における標準コンポーネントである。 より正確でロバストな統計値を得るために,複数の最近のバッチを考慮に入れた記憶型バッチ正規化(MBN)を提案する。 関連する手法と比較して、提案したMBNはトレーニングと推論の両方において一貫した振る舞いを示す。
  論文  参考訳（メタデータ） (2020-10-10T08:48:41Z)
• Inference in Bayesian Additive Vector Autoregressive Tree Models [0.0]
  本稿では,Vector Autoregressive(VAR)モデルとBayesian Additive regression Tree(BART)モデルを組み合わせることを提案する。 得られたBAVARTモデルは、研究者から多くを入力することなく、任意の非線形関係をキャプチャすることができる。 我々は、米国の金利構造とユーロ圏経済という2つのデータセットに適用する。
  論文  参考訳（メタデータ） (2020-06-29T19:37:09Z)
• 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)
• Sparse learning with CART [18.351254916713305]
  二分木を持つ決定木は、分類木と回帰木(CART)の手法を用いて一般的に構築されている。 本稿では,CART法を用いて構築した回帰木の統計的特性について検討する。
  論文  参考訳（メタデータ） (2020-06-07T20:55:52Z)

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。