論文の概要: Scattered Hypothesis Generation for Open-Ended Event Forecasting

• arxiv url: http://arxiv.org/abs/2604.15788v1
• Date: Fri, 17 Apr 2026 07:48:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.798182
• Title: Scattered Hypothesis Generation for Open-Ended Event Forecasting
• Title（参考訳）: オープンエンドイベント予測のための散乱仮説生成
• Authors: He Chang, Zhulin Tao, Lifang Yang, Xianglin Huang, Yunshan Ma,
• Abstract要約: 我々は、仮説生成のプロキシタスクを導入することにより、ピンポイント予測から散乱予測へ、オープンエンドなイベント予測を前進させる。 このパラダイムは、包括的で多種多様な仮説の集合を、広く有望な将来の出来事の空間をカバーすることを目的としている。 仮説の包摂性と多様性を協調的に最適化する強化学習フレームワークであるSCATTERを提案する。
• 参考スコア（独自算出の注目度）: 12.718540859749774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the importance of open-ended event forecasting for risk management, current LLM-based methods predominantly target only the most probable outcomes, neglecting the intrinsic uncertainty of real-world events. To bridge this gap, we advance open-ended event forecasting from pinpoint forecasting to scatter forecasting by introducing the proxy task of hypothesis generation. This paradigm aims to generate an inclusive and diverse set of hypotheses that broadly cover the space of plausible future events. To this end, we propose SCATTER, a reinforcement learning framework that jointly optimizes inclusiveness and diversity of the hypothesis. Specifically, we design a novel hybrid reward that consists of three components: 1) a validity reward that measures semantic alignment with observed events, 2) an intra-group diversity reward to encourage variation within sampled responses, and 3) an inter-group diversity reward to promote exploration across distinct modes. By integrating the validity-gated score into the overall objective, we confine the exploration of wildly diversified outcomes to contextually plausible futures, preventing the mode collapse issue. Experiments on two real-world benchmark datasets, i.e., OpenForecast and OpenEP, demonstrate that SCATTER significantly outperforms strong baselines. Our code is available at https://github.com/Sambac1/SCATTER.
• Abstract（参考訳）: リスク管理におけるオープンエンドイベント予測の重要性にもかかわらず、現在のLCMベースの手法は、現実の事象の本質的な不確実性を無視して、最も可能性の高い結果のみをターゲットにしている。 このギャップを埋めるために、仮説生成のプロキシタスクを導入することにより、ピンポイント予測から散乱予測へと、オープンエンドなイベント予測を前進させる。 このパラダイムは、包括的で多種多様な仮説の集合を、広く有望な将来の事象の空間をカバーすることを目的としている。 そこで本研究では,仮説の包摂性と多様性を協調的に最適化する強化学習フレームワークであるSCATTERを提案する。 具体的には、3つのコンポーネントからなる新しいハイブリッド報酬を設計する。 1) 観測された事象とのセマンティックアライメントを測定する正当性報酬 2)サンプル回答の変動を促すグループ内多様性報酬、及び 3)グループ間多様性報酬は、異なるモードでの探索を促進する。 正当性評価スコアを全体目標に組み込むことで、大まかに多様化した成果を文脈的に妥当な未来へと探索し、モード崩壊問題を防止する。 2つの実世界のベンチマークデータセット、すなわちOpenForecastとOpenEPの実験は、SCATTERが強いベースラインを大幅に上回ることを示した。 私たちのコードはhttps://github.com/Sambac1/SCATTERで公開されています。

関連論文リスト

• Diversity-Incentivized Exploration for Versatile Reasoning [63.653348177250756]
  textbfDi-textbf Incentivized Exploration for textbfVersatiltextbfE textbfReasoningを提案する。
  論文  参考訳（メタデータ） (2025-09-30T13:11:46Z)
• Bounded Rationality for LLMs: Satisficing Alignment at Inference-Time [52.230936493691985]
  本稿では,2次基準のしきい値に基づく制約を満たしつつ,主目的を最大化し,アライメントの多面性に対処する推論フレームワークSITAlignを提案する。 我々は、満足度に基づく推論アライメントアプローチの準最適境界を導出することで理論的洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-29T17:56:05Z)
• Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation of Prediction Rationale [53.152460508207184]
  Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。 本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。 最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
  論文  参考訳（メタデータ） (2024-02-02T05:53:22Z)
• Distribution-Free Conformal Joint Prediction Regions for Neural Marked Temporal Point Processes [4.324839843326325]
  我々は、共形予測の枠組みを用いて、ニューラルTPPモデルにおける不確実性に対するより信頼性の高い手法を開発した。 主な目的は、イベントの到着時刻とマークに対する分布自由な共同予測領域を生成し、有限サンプルの限界カバレッジを保証することである。
  論文  参考訳（メタデータ） (2024-01-09T15:28:29Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• Robustness via Cross-Domain Ensembles [0.5801044612920816]
  本稿では,ニューラルネットワークの予測をトレーニングデータ分布からのシフトに対して頑健にする手法を提案する。 提案手法は,多種多様なキューを用いて予測を行い,それらを1つの強い予測にまとめる手法である。
  論文  参考訳（メタデータ） (2021-03-19T17:28:03Z)
• Bad and good errors: value-weighted skill scores in deep ensemble learning [0.0]
  証拠に基づいて予測誤差の重大度を評価するための戦略を導入する。 本稿では,予測値に重要な意味を持つ,混乱行列とスキルスコアの新たな定義を提案する。 本稿では,公害,宇宙気象,株式賞の予測に関する3つの応用事例において,このアプローチの性能を示す。
  論文  参考訳（メタデータ） (2021-03-04T08:05:13Z)
• Demarcating Endogenous and Exogenous Opinion Dynamics: An Experimental Design Approach [27.975266406080152]
  本稿では,実験的な設計手法に基づく教師なし分類手法のスイートを設計する。 平均推定誤差の異なる測度を最小化するイベントのサブセットを選択することを目的としている。 我々の実験は、不衛生事象や衛生事象に対する予測性能の検証から、様々な大きさの最適なサブセットを選択する効果の検証まで多岐にわたる。
  論文  参考訳（メタデータ） (2021-02-11T11:38:15Z)

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。