論文の概要: Horizon-Constrained Rashomon Sets for Chaotic Forecasting

• arxiv url: http://arxiv.org/abs/2605.05218v1
• Date: Fri, 17 Apr 2026 04:35:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.604882
• Title: Horizon-Constrained Rashomon Sets for Chaotic Forecasting
• Title（参考訳）: ホライゾン制約ラショーモンセットによるカオス予測
• Abstract要約: カオスシステムにおいてモデル乗法が予測地平線とともにどのように進化するかを特徴付ける理論的枠組みを導入する。 実効ラショモン集合は、最大リャプノフ指数によって決定される速度でリード時間と指数関数的に収縮することを示した。 そこで我々は,予測精度のみではなく,下流ユーティリティに基づく最適に近いモデルを選択する決定整合選択アルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 1.0439136407307046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive multiplicity and chaotic dynamics represent two fundamental challenges in machine learning that have evolved independently despite their conceptual connections. We bridge this gap by introducing horizon-constrained Rashomon sets, a theoretical framework that characterizes how model multiplicity evolves with prediction horizon in chaotic systems. Unlike static prediction tasks where the Rashomon set remains fixed, chaos induces exponential divergence among initially similar models, fundamentally transforming the nature of predictive equivalence. We prove that the effective Rashomon set contracts exponentially with lead time at a rate determined by the maximum Lyapunov exponent and introduce Lyapunov-weighted metrics that provide tighter bounds on predictive disagreement. Leveraging these insights, we develop decision-aligned selection algorithms that choose among near-optimal models based on downstream utility rather than forecast accuracy alone. Extensive experiments on synthetic chaotic systems (Lorenz-96, Kuramoto-Sivashinsky) and real-world applications (wind power, traffic, weather) demonstrate that our framework improves decision quality by 18-34\% while maintaining competitive predictive performance. This work establishes the first rigorous connection between chaos theory and predictive multiplicity, providing principled guidance for deploying machine learning in safety-critical chaotic domains.
• Abstract（参考訳）: 予測的乗法とカオス力学は、概念的接続にもかかわらず独立して進化した機械学習における2つの基本的な課題を表している。 モデル乗法がカオスシステムにおける予測地平線とともにどのように進化するかを特徴付ける理論的枠組みである、水平制約付きラショーモン集合を導入することにより、このギャップを橋渡しする。 ラショモン集合が固定された静的な予測タスクとは異なり、カオスは初期の類似したモデル間で指数的発散を誘導し、予測等価性の性質を根本的に変換する。 実効ラショモン集合は最大リャプノフ指数によって決定される速度で指数関数的にリード時間と一致することを証明し、予測的不一致に対してより厳密な境界を与えるリャプノフ重み付き計量を導入する。 これらの知見を生かして、予測精度のみではなく、下流ユーティリティに基づいて、最適に近いモデルを選択する決定整合選択アルゴリズムを開発する。 人工カオスシステム(Lorenz-96, Kuramoto-Sivashinsky)と実世界の応用(風力, 交通量, 気象量)の広範な実験により, 本フレームワークは競争予測性能を維持しつつ, 意思決定品質を18～34倍に向上させることを示した。 この研究は、カオス理論と予測的多重性の間の最初の厳密な関係を確立し、安全クリティカルなカオスドメインに機械学習をデプロイするための原則化されたガイダンスを提供する。

関連論文リスト

• Measuring consistency via ensemble margin and local prediction variability: Auditing decision systems in the presence of predictive multiplicity [4.924900955306918]
  ラショウモン効果は、同じ精度のモデルが同じ入力に対して異なる予測を生成する機械学習現象である。 本稿では,アンサンブルマージンと各構成モデルに対する局所的予測変数の尺度を組み合わせた一貫性基準を提案する。 実験の結果,Rashomon集合からのアンサンブルモデルにより,誤検出のリスクを大幅に低減できることがわかった。
  論文  参考訳（メタデータ） (2026-09-01T15:22:01Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Unified Inference Framework for Single and Multi-Player Performative Prediction: Method and Asymptotic Optimality [15.289993502701305]
  本稿では,単一エージェントと複数エージェントのパフォーマンスを橋渡しする,統一的な統計的推論フレームワークを提案する。 動的でパフォーマンスの高い環境で、信頼性の高い見積もりと意思決定のための原則化されたツールキットを提供する。
  論文  参考訳（メタデータ） (2026-02-03T03:17:54Z)
• Generative forecasting with joint probability models [2.8367488114717094]
  カオス力学系は初期条件に対して強い感度を示し、しばしば未解決のマルチスケールプロセスを含む。 生成モデルは、可算なシステムの進化よりも分布を学習することで、魅力的な代替手段を提供する。 共同生成モデルにより,短期予測能力の向上,アトラクタ幾何の保存,およびより正確な長距離統計的挙動が得られた。
  論文  参考訳（メタデータ） (2025-12-30T20:00:09Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Robust Optimization with Diffusion Models for Green Security [49.68562792424776]
  グリーンセキュリティでは、効果的パトロールを計画するためには、密猟、違法伐採、違法漁などの敵の行動を予測する必要がある。 本稿では,その強い分布適合性を利用した逆挙動モデリングのための条件付き拡散モデルを提案する。 混合戦略の混合戦略を導入し, 正確なサンプリングを行うために, ツイスト型シークエンシャルモンテカルロ (SMC) サンプリング装置を用いる。
  論文  参考訳（メタデータ） (2025-02-19T05:30:46Z)
• Variational Bayesian Bow tie Neural Networks with Shrinkage [0.276240219662896]
  我々は,層間における分布仮定や独立性を回避する高速で近似的な変分推論アルゴリズムを開発した。 我々はPolya-Gammaデータ拡張トリックを使用し、条件付き線形およびガウス的モデルを描画する。
  論文  参考訳（メタデータ） (2024-11-17T17:36:30Z)
• Dropout-Based Rashomon Set Exploration for Efficient Predictive Multiplicity Estimation [15.556756363296543]
  予測多重性(英: Predictive multiplicity)とは、ほぼ等しい最適性能を達成する複数の競合モデルを含む分類タスクを指す。 本稿では,Rashomon 集合のモデル探索にドロップアウト手法を利用する新しいフレームワークを提案する。 本手法は, 予測多重度推定の有効性の観点から, ベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2024-02-01T16:25:00Z)
• A Dynamical System View of Langevin-Based Non-Convex Sampling [44.002384711340966]
  非サンプリングは機械学習における重要な課題であり、ディープラーニングにおける非レート最適化の中心であり、その重要性を近似する。 既存の保証は通常、より望ましい最終段階の反復よりも平均距離のみを保持する。 我々は、理論システムからいくつかのツールを活用することにより、上記の問題を解消する新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2022-10-25T09:43:36Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。