論文の概要: Cold-Start Forecasting of New Product Life-Cycles via Conditional Diffusion Models

• arxiv url: http://arxiv.org/abs/2604.20370v1
• Date: Wed, 22 Apr 2026 09:07:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.061508
• Title: Cold-Start Forecasting of New Product Life-Cycles via Conditional Diffusion Models
• Title（参考訳）: 条件付き拡散モデルによる新商品ライフサイクルのコールドスタート予測
• Authors: Ruihan Zhou, Zishi Zhang, Jinhui Han, Yijie Peng, Xiaowei Zhang,
• Abstract要約: Conditional Diffusion Life-cycle Forecaster (CDLF) は, コールドスタート時の新生ライフサイクルを予測するための条件生成フレームワークである。 静的記述子、類似製品からの参照軌道、新たに到着した観測という3つの情報ソースが組み合わさっている。
• 参考スコア（独自算出の注目度）: 4.245074043309951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting the life-cycle trajectory of a newly launched product is important for launch planning, resource allocation, and early risk assessment. This task is especially difficult in the pre-launch and early post-launch phases, when product-specific outcome history is limited or unavailable, creating a cold-start problem. In these phases, firms must make decisions before demand patterns become reliably observable, while early signals are often sparse, noisy, and unstable We propose the Conditional Diffusion Life-cycle Forecaster (CDLF), a conditional generative framework for forecasting new-product life-cycle trajectories under cold start. CDLF combines three sources of information: static descriptors, reference trajectories from similar products, and newly arriving observations when available. Here, static descriptors refer to structured pre-launch characteristics of the product, such as category, price tier, brand or organization identity, scale, and access conditions. This structure allows the model to condition forecasts on relevant product context and to update them adaptively over time without retraining, yielding flexible multi-modal predictive distributions under extreme data scarcity. The method satisfies consistency with a horizon-uniform distributional error bound for recursive generation. Across studies on Intel microprocessor stock keeping unit (SKU) life cycles and the platform-mediated adoption of open large language model repositories, CDLF delivers more accurate point forecasts and higher-quality probabilistic forecasts than classical diffusion models, Bayesian updating approaches, and other state-of-the-art machine-learning baselines.
• Abstract（参考訳）: 打ち上げ計画,資源配分,早期リスク評価において,新製品のライフサイクル軌道を予測することが重要である。 このタスクは、製品固有の成果履歴に制限がある場合や、利用できない場合、起動前および起動後早期の段階では特に困難であり、コールドスタートの問題を発生させる。 これらの段階において、企業は需要パターンが確実に観測できるようになる前に意思決定をしなければならないが、早期の信号はしばしば疎く、ノイズがあり、不安定である。 CDLFは、静的記述子、類似製品からの参照トラジェクトリ、利用可能なときに新たに到着した観測という3つの情報ソースを組み合わせる。 ここでは、静的ディスクリプタは、カテゴリ、価格ティア、ブランドまたは組織アイデンティティ、スケール、アクセス条件などの製品の構造されたプレローンチ特性を参照する。 この構造により、モデルは関連する製品コンテキストに予測を条件付け、再トレーニングせずに時間とともに適応的に更新することができ、極端なデータ不足の下で柔軟なマルチモーダル予測分布が得られる。 この方法は、再帰的生成のための水平一様分布誤差境界との整合性を満たす。 Intelマイクロプロセッサのストックキーピングユニット(SKU)のライフサイクルとプラットフォームによるオープンな言語モデルリポジトリの採用に関する研究全般において、CDLFは古典的拡散モデル、ベイズ的更新アプローチ、その他の最先端の機械学習ベースラインよりも正確なポイント予測と高品質な確率予測を提供する。

関連論文リスト

• Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables [59.37476887007663]
  我々は、(PFNとは違って)時間認識の事前データ適合型ネットワーク(PFN)であるApolloPFNを開発した。 i) PFNが時系列に適用されたときに発生する障害モードを解決するために調整された合成データ生成手順,(ii)時系列コンテキストを利用するのに必要な帰納的バイアスを埋め込んだ時間アウェアなアーキテクチャ修正。
  論文  参考訳（メタデータ） (2026-03-16T18:33:23Z)
• TSB-HB: A Hierarchical Bayesian Extension of the TSB Model for Intermittent Demand Forecasting [0.8594140167290097]
  断続的な需要予測は、希薄な観測、コールドスタートアイテム、不定形化などによって、ユニークな課題を生んでいる。 ディープラーニングモデルはこれらの制限に対処するが、大きなデータセットと解釈可能性の犠牲を必要とすることが多い。 本稿では,TSBの階層的ベイズ拡張であるTSB-HBを紹介する。 この枠組みは古典的指数的滑らか化を一般化する完全生成的かつ解釈可能なモデルをもたらす。
  論文  参考訳（メタデータ） (2025-11-16T19:24:33Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Sundial: A Family of Highly Capable Time Series Foundation Models [47.27032162475962]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• LLMForecaster: Improving Seasonal Event Forecasts with Unstructured Textual Data [63.777637042161544]
  本稿では,非構造化意味情報と文脈情報と履歴データを組み込むために,大規模言語モデルを微調整した新しい予測ポストプロセッサを提案する。 産業規模の小売アプリケーションでは, ホリデードリブン需要の急激な上昇にともなう数種類の製品に対して, 本手法が統計的に有意な改善を予測できることが実証された。
  論文  参考訳（メタデータ） (2024-12-03T16:18:42Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Flow Matching with Gaussian Process Priors for Probabilistic Time Series Forecasting [43.951394031702016]
  本稿では,ガウス過程,最適輸送経路,データ依存の事前分布を組み合わせた時系列の条件付きフローマッチング(CFM)モデルであるTSFlowを紹介する。 条件付きモデルと非条件付きモデルの両方が、複数の予測ベンチマークで競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-10-03T22:12:50Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Intermittent Demand Forecasting with Renewal Processes [16.079036729678716]
  我々は、断続的な需要予測モデルを構築するための新しい統合されたフレームワークを導入する。 我々のフレームワークは、よく確立されたモデルベースのメソッドから離散時間更新プロセスへの拡張に基づいている。 様々なシナリオで予測精度を報告し,その有効性を比較検討した。
  論文  参考訳（メタデータ） (2020-10-04T11:32:54Z)

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。