論文の概要: Hedging Memory Horizons for Non-Stationary Prediction via Online Aggregation

• arxiv url: http://arxiv.org/abs/2605.06541v1
• Date: Thu, 07 May 2026 16:38:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:12.005358
• Title: Hedging Memory Horizons for Non-Stationary Prediction via Online Aggregation
• Title（参考訳）: オンラインアグリゲーションによる非定常予測のためのヘッジメモリ・ホライズン
• Authors: Yutong Wang, Yannig Goude, Qiwei Yao,
• Abstract要約: MELOは適応スケールにまたがってヘッジを行うモデルに依存しない手法である。 指数的に重み付けされた最小二乗適応の専門家を持つ予想外のベース予測プールをラップする。 パラメータフリーのオンラインアグリゲーションルールであるMLpolで、生およびEWLS対応の予測を集約する。
• 参考スコア（独自算出の注目度）: 6.623965101885557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study online prediction under distribution shift, where inputs arrive chronologically and outcomes are revealed only after prediction. In this setting, predictors must remain stable in quiet regimes yet adapt when regimes shift, and the right adaptation memory is unknown in advance. We propose MELO (Memory-hedged Exponentially Weighted Least-Squares Online aggregation), a model-agnostic method that hedges across adaptation scales: it wraps any non-anticipating base-predictor pool with exponentially weighted least-squares (EWLS) adaptation experts at multiple forgetting factors, and aggregates raw and EWLS-adapted forecasts with MLpol, a parameter-free online aggregation rule. Under boundedness conditions, we establish deterministic oracle inequalities showing that it competes with both the best raw predictor and the best bounded, time-varying affine combinations of the base predictions, up to a path-length-dependent tracking cost and a sublinear aggregation overhead. We evaluate MELO on French national electricity-load forecasting through the COVID-19 lockdown using no regime indicators, lockdown dates, or policy covariates. MELO reduces overall RMSE by 34.7\% relative to base-only MLpol and achieves lower overall RMSE than a TabICL reference supplied with an external COVID policy-response covariate. Moreover, MELO requires only lightweight per-step recursive updates without model retraining.
• Abstract（参考訳）: 本研究は,入力が時系列に届き,予測後にのみ結果が明らかになる分布シフト下でのオンライン予測について検討する。 この設定では、予測器は静かな状態でも安定していなければならないが、状態が変化したときに適応し、適切な適応メモリが事前に不明である。 MELO(Memory-hedged Exponentially Weighted Least-Squares Online aggregates)は,パラメータフリーのオンラインアグリゲーションルールであるMLpolを用いて,パラメータフリーのオンラインアグリゲーションルールであるEWLSアダプティブエキスパートによる,指数的に重み付けされた最小二乗(EWLS)アダプティブエキスパートによる予測不可能なベース予測プールをラップする手法である。 境界性条件下では,最良生予測器と最良有界・時変アフィン組合せの双方と競合する決定論的オラクル不等式を,パス長依存追跡コストとサブ線形集約オーバーヘッドに設定する。 我々は, 規制指標, ロックダウン日, 政策共変量を用いて, 新型コロナウイルスのロックダウンを通じて, フランスの電力負荷予測におけるMELOの評価を行った。 MELOは、ベースオンリーのMLpolに対するRMSE全体の34.7\%を減少させ、外部のCOVID政策応答性共変体で供給されるTabICL基準よりも低いRMSEを達成する。 さらに、MELOはモデルの再トレーニングなしに、ステップごとの軽量な再帰更新しか必要としない。

関連論文リスト

• A Step Back: Prefix Importance Ratio Stabilizes Policy Optimization [58.116300485427764]
  強化学習のポストトレーニングは、大きな言語モデルにおける推論の振る舞いを引き出すことができる。 トークンレベルの補正は、オフポリシーネスの度合いが大きい場合、不安定なトレーニングダイナミクスにつながることが多い。 我々は,最小固定率 (MinPRO) を簡易かつ効果的に提案する。
  論文  参考訳（メタデータ） (2026-01-30T08:47:19Z)
• Distribution-informed Online Conformal Prediction [53.674678995825666]
  更新ルールに基礎となるデータパターンを組み込んだオンラインコンフォメーション予測アルゴリズムである Conformal Optimistic Prediction (COP) を提案する。 COPは予測可能なパターンが存在する場合により厳密な予測セットを生成し、見積もりが不正確な場合でも有効なカバレッジ保証を保持する。 我々は,COPが有効なカバレッジを実現し,他のベースラインよりも短い予測間隔を構築できることを証明した。
  論文  参考訳（メタデータ） (2025-12-08T17:51:49Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
  既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。 負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
  論文  参考訳（メタデータ） (2024-05-31T14:21:04Z)
• Kernel-based Optimally Weighted Conformal Prediction Intervals [12.814084012624916]
  カーネルを用いた最適重み付き等角予測区間(KOWCPI)を提案する。 KOWCPIは古典的なReweighted Nadaraya-Watson (RNW) 推定器を従属データに対する量子回帰に適応させ、最適なデータ適応重みを学習する。 実時間および合成時系列データに対するKOWCPIの性能を最先端の手法と比較した。
  論文  参考訳（メタデータ） (2024-05-27T04:49:41Z)
• Distribution-Free Finite-Sample Guarantees and Split Conformal Prediction [0.0]
  分割共形予測は、最小分布自由仮定の下で有限サンプル保証を得るための有望な道を表す。 1940年代に開発された分割共形予測と古典的寛容予測との関連性を強調した。
  論文  参考訳（メタデータ） (2022-10-26T14:12:24Z)
• A general framework for multi-step ahead adaptive conformal heteroscedastic time series forecasting [0.0]
  本稿では,適応アンサンブルバッチ多出力多出力共形量子化回帰(AEnbMIMOCQR)と呼ばれる新しいモデル非依存アルゴリズムを提案する。 これにより、予測者は、固定された特定された誤発見率に対して、分布のない方法で、複数段階の事前予測間隔を生成できる。 本手法は, 整合予測の原理に基づいているが, データの分割は不要であり, データの交換ができない場合でも, ほぼ正確なカバレッジを提供する。
  論文  参考訳（メタデータ） (2022-07-28T16:40:26Z)
• Pessimistic Minimax Value Iteration: Provably Efficient Equilibrium Learning from Offline Datasets [101.5329678997916]
  両プレイヤーゼロサムマルコフゲーム(MG)をオフライン環境で研究する。 目標は、事前収集されたデータセットに基づいて、近似的なナッシュ均衡(NE)ポリシーペアを見つけることである。
  論文  参考訳（メタデータ） (2022-02-15T15:39:30Z)

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。