論文の概要: Forecasting Supply Chain Disruptions with Foresight Learning

• arxiv url: http://arxiv.org/abs/2604.01298v1
• Date: Wed, 01 Apr 2026 18:04:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:09.673151
• Title: Forecasting Supply Chain Disruptions with Foresight Learning
• Title（参考訳）: 予測学習によるサプライチェーンの破壊予測
• Abstract要約: 実効的な破壊結果を監督として利用して,LCMを校正した確率予測を生成するためのエンドツーエンドフレームワークを導入する。 結果として得られるモデルは、精度、校正、精度において、強いベースラインを大幅に上回る。 その結果,決定可能な信号を生成する領域固有の予測モデルをトレーニングするための一般的な経路が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anticipating supply chain disruptions before they materialize is a core challenge for firms and policymakers alike. A key difficulty is learning to reason reliably about infrequent, high-impact events from noisy and unstructured inputs - a setting where general-purpose models struggle without task-specific adaptation. We introduce an end-to-end framework that trains LLMs to produce calibrated probabilistic forecasts using realized disruption outcomes as supervision. The resulting model substantially outperforms strong baselines - including GPT-5 - on accuracy, calibration, and precision. We also show that training induces more structured and reliable probabilistic reasoning without explicit prompting. These results suggest a general pathway for training domain-specific forecasting models that produce decision-ready signals. To support transparency we open-source the evaluation dataset used in this study. Dataset: https://huggingface.co/datasets/LightningRodLabs/supply-chain-predictions
• Abstract（参考訳）: サプライチェーンが成立する前に混乱を予想することは、企業や政策立案者にとっても重要な課題だ。 重要な困難は、ノイズや非構造的な入力から頻繁で高インパクトなイベントを確実に判断することである。 実効的な破壊結果を監督として利用して,LCMを校正した確率予測を生成するためのエンドツーエンドフレームワークを導入する。 結果、GPT-5を含む強力なベースラインは精度、キャリブレーション、精度で大幅に上回っている。 また,トレーニングはより構造化され,信頼性の高い確率的推論を,明示的なプロンプトを伴わずに引き起こすことを示す。 これらの結果は、決定可能な信号を生成するドメイン固有の予測モデルをトレーニングするための一般的な経路を示唆している。 透明性を支援するために,本研究で使用される評価データセットをオープンソース化した。 データセット:https://huggingface.co/datasets/LightningRodLabs/supply-chain-predictions

関連論文リスト

• PriFT: Prior-Support Guided Supervised Fine-Tuning [74.65198014829393]
  Supervised Fine-tuning (SFT) は、下流タスク適応のための効率的なアプローチである。 SFTはトークン単位で固定されたデモトークンに適合する。 凍結した事前訓練参照からトークン重みを導出し、微調整の影響を受けない安定した再重み付け信号を得るPriFTを提案する。
  論文  参考訳（メタデータ） (2026-06-08T12:14:06Z)
• What properties of reasoning supervision are associated with improved downstream model quality? [3.5354214473997225]
  ポーランドの推論データセットを意味的に異なる変種に基づいて8B,11Bモデルを微調整し,その予測力を評価・評価する。 解析の結果,これらの内在的指標は,下流モデルの性能と強い有意な相関を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2026-05-13T10:04:38Z)
• Adaptive Conformal Anomaly Detection with Time Series Foundation Models for Signal Monitoring [1.7149326108409726]
  時系列監視のためのポストホック適応型共形異常検出法を提案する。 本手法は,誤報率(p値)として直接解釈可能な,解釈可能な異常スコアを生成する。 モデルに依存しないソリューションとして、ファンデーションモデルとシームレスに統合し、リソース制約のある環境での迅速なデプロイをサポートする。
  論文  参考訳（メタデータ） (2026-04-22T02:39:46Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Can Pre-training Indicators Reliably Predict Fine-tuning Outcomes of LLMs? [42.608899417822656]
  本研究では,501BパラメータLLM変種を用いて,系統的な事前学習構成を持つデータセットを構築した。 本稿では,事前学習から得られた新しい教師なしおよび教師なしのプロキシメトリクスを導入し,相対的な性能予測誤差率を50%以上削減する。
  論文  参考訳（メタデータ） (2025-04-16T21:19:09Z)
• The First Few Tokens Are All You Need: An Efficient and Effective Unsupervised Prefix Fine-Tuning Method for Reasoning Models [69.798277882245]
  大規模言語モデルの推論効率を向上させるために,Unsupervised Prefix Fine-Tuning (UPFT)を導入した。 UPFTはラベル付きデータや徹底的なサンプリングの必要性を取り除く。 実験の結果,UPFTは教師付き手法の性能と一致していることがわかった。
  論文  参考訳（メタデータ） (2025-03-04T18:56:03Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Progressive Feature Adjustment for Semi-supervised Learning from Pretrained Models [39.42802115580677]
  半教師付き学習(SSL)はラベル付きデータとラベルなしデータの両方を利用して予測モデルを構築することができる。 近年の文献では、事前訓練されたモデルで最先端のSSLを適用しても、トレーニングデータの潜在能力を最大限に発揮できないことが示唆されている。 本稿では,ラベルの誤りに敏感でない特徴抽出器を更新するために,非ラベルデータから擬似ラベルを使用することを提案する。
  論文  参考訳（メタデータ） (2023-09-09T01:57:14Z)
• Making Pre-trained Language Models both Task-solvers and Self-calibrators [52.98858650625623]
  プレトレーニング言語モデル(PLM)は、様々な現実世界のシステムのバックボーンとして機能する。 以前の研究は、余分なキャリブレーションタスクを導入することでこの問題を緩和できることを示している。 課題に対処するためのトレーニングアルゴリズムLM-TOASTを提案する。
  論文  参考訳（メタデータ） (2023-07-21T02:51:41Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)

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。