論文の概要: Barrier-enforced multi-objective optimization for direct point and sharp interval forecasting

• arxiv url: http://arxiv.org/abs/2604.18492v1
• Date: Mon, 20 Apr 2026 16:43:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:53.003901
• Title: Barrier-enforced multi-objective optimization for direct point and sharp interval forecasting
• Title（参考訳）: 直接点とシャープ間隔予測のためのバリア強化多目的最適化
• Authors: Worachit Amnuaypongsa, Yotsapat Suparanonrat, Pana Wanitchollakit, Jitkomut Songsiri,
• Abstract要約: 本稿では,単一ニューラルネットワークモデルを用いた多段階確率予測フレームワークを提案する。 我々のアプローチは、ターゲットカバレッジ確率(PICP)を厳密に満たしたモデル構造設計により、非交差予測間隔(PI)を保証する。 その結果, 提案した損失は, PI幅が最も狭い対象範囲を達成し, 現行文献よりも一貫して優れていた。
• 参考スコア（独自算出の注目度）: 1.0966260566122237
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper proposes a multi-step probabilistic forecasting framework using a single neural-network based model to generate simultaneous point and interval forecasts. Our approach ensures non-crossing prediction intervals (PIs) through a model structure design that strictly satisfy a target coverage probability (PICP) while maximizing sharpness. Unlike existing methods that rely on manual weight tuning for scalarized loss functions, we treat point and PI forecasting as a multi-objective optimization problem, utilizing multi-gradient descent to adaptively select optimal weights. Key innovations include a new PI loss function based on an extended log-barrier with an adaptive hyperparameter to guarantee the coverage, a hybrid architecture featuring a shared temporal model with horizon-specific submodels, and a training strategy. The proposed loss is scale-independent and universally applicable; combined with our training algorithm, the framework eliminates trial-and-error hyperparameter tuning for balancing multiple objectives. Validated by an intra-day solar irradiance forecasting application, results demonstrate that our proposed loss consistently outperforms those in current literature by achieving target coverage with the narrowest PI widths. Furthermore, when compared against LSTM encoder-decoder and Transformer architectures--including those augmented with Chronos foundation models--our method remains highly competitive and can be seamlessly adapted to any deep learning structure.
• Abstract（参考訳）: 本稿では,単一ニューラルネットワークモデルを用いた多段階確率予測フレームワークを提案する。 提案手法は,目標カバレッジ確率(PICP)を厳密に満たし,シャープネスを最大化するモデル構造設計を通じて,非交差予測間隔(PI)を保証する。 スカラー化ロス関数を手動で重み付けする既存の手法とは異なり、多目的最適化問題として点とPI予測を扱い、多段階降下を利用して最適な重みを適応的に選択する。 主なイノベーションは、カバー範囲を保証するための適応型ハイパーパラメータを備えた拡張ログバリアに基づく新しいPI損失関数、水平線固有のサブモデルを備えた共有時間モデルを備えたハイブリッドアーキテクチャ、トレーニング戦略である。 提案した損失はスケール非依存かつ普遍的に適用可能であり,トレーニングアルゴリズムと組み合わせて,複数目的のバランスをとるための試行錯誤ハイパーパラメータチューニングを除去する。 日内太陽照度予測の適用で検証した結果,提案した損失は,最も狭いPI幅で目標範囲を達成することによって,現在の文献の損失を一貫して上回っていることが示された。 さらに、LSTMエンコーダデコーダとトランスフォーマーアーキテクチャ(Chronos基盤モデルで拡張されたものを含む)と比較した場合、我々の手法は競争力が高く、どんなディープラーニング構造にもシームレスに適用できる。

関連論文リスト

• A Graph Foundation Model for Wireless Resource Allocation [37.503398874234094]
  本稿では、事前学習および微調整のパラダイムに基づく資源配分のためのグラフ基盤モデルを提案し、統一表現を抽出する。 具体的には、干渉トポロジをグローバルアテンション機構に注入するバイアスプロジェクタを備えた干渉対応トランスフォーマーアーキテクチャを提案する。 実験により,提案するフレームワークは,モデルキャパシティを向上して,最先端のパフォーマンスを実現し,効果的にスケールできることが示されている。
  論文  参考訳（メタデータ） (2026-04-08T06:07:28Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
  マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。 我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
  論文  参考訳（メタデータ） (2025-09-03T18:05:02Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。 我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。 CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)
• DessiLBI: Exploring Structural Sparsity of Deep Networks via Differential Inclusion Paths [45.947140164621096]
  逆スケール空間の差分包摂に基づく新しい手法を提案する。 DessiLBIが早期に「優勝チケット」を発表することを示す。
  論文  参考訳（メタデータ） (2020-07-04T04:40:16Z)

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。