論文の概要: LGB+: A Macroeconomic Forecasting Road Test

• arxiv url: http://arxiv.org/abs/2605.09740v1
• Date: Sun, 10 May 2026 20:27:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 02:24:05.543913
• Title: LGB+: A Macroeconomic Forecasting Road Test
• Title（参考訳）: LGB+:マクロ経済予測ロードテスト
• Authors: Philippe Goulet Coulombe,
• Abstract要約: 本稿では,より包括的な基底関数セットで動作するブースティング手順であるLGB+を提案する。 LGB+は、各ステップで木と線形候補をアウト・オブ・バグデータに対して評価する。 予測は線形成分と木成分の和であるため、予測は線形成分と非線形成分に分解される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Needless to say, linear dynamics are pervasive in economic time series, particularly autoregressive ones. While gradient boosting with trees excels at capturing nonlinearities, it is inefficient in small samples when much of the predictive content is linear, expending splits to approximate relationships better captured by simple linear terms. This paper proposes LGB+, a boosting procedure operating on a more inclusive set of basis functions. The idea comes in two flavors. LGB+ evaluates a tree and a linear candidate at each step against out-of-bag data; only the winner advances. The simpler variant, LGB^A+, alternates on a fixed schedule: a block of tree updates, then a greedy linear correction, repeat. Both designs avoid ex ante commitments to any particular functional form or predictor selection. Because the prediction is the sum of a linear and a tree component, forecasts decompose natively into linear and nonlinear contributions, and so does permutation-based variable importance and historical proximity weights. In a quarterly U.S. macroeconomic forecasting exercise, LGB+ delivers strong gains for targets with pronounced autoregressive dynamics or mixed linear-nonlinear signals. Variables dominating the linear channel are those operating through autoregressive persistence or near-accounting relationships to the target (e.g., initial claims for unemployment and building permits for housing starts).
• Abstract（参考訳）: 言うまでもなく、線形力学は経済時系列、特に自己回帰的時系列において広く普及している。 木による勾配の上昇は非線形性の獲得に優れるが、予測内容の大部分が線形である場合、小さなサンプルでは非効率である。 本稿では,より包括的な基底関数セットで動作するブースティング手順であるLGB+を提案する。 アイデアには2つのフレーバーがある。 LGB+は、各ステップで木と線形候補をアウト・オブ・バグデータに対して評価する。 より単純な変種であるLGB^A+は、固定されたスケジュールで、木のアップデートのブロックを交互に行い、その後、ゆるやかな線形修正を繰り返す。 どちらの設計も、特定の機能形式や予測子選択に対する厳密なコミットメントを避けている。 予測は線形成分と木成分の和であるため、予測は線形成分と非線形成分にネイティブに分解される。 四半期毎のマクロ経済予測演習では、LGB+は自己回帰力学または混合線形非線形信号を持つターゲットに対して強い利得を提供する。 線形チャネルを支配下に置く変数は、自己回帰的永続性またはターゲットとの近縁関係(例えば、失業の請求と住宅建設の許可)を通して動作するものである。

関連論文リスト

• Generalized Linear Bandits: Almost Optimal Regret with One-Pass Update [70.38810219913593]
  非線形リンク関数を組み込んで古典線形モデルを拡張したコンテキスト型多武装バンディットフレームワークである一般化線形バンディット問題(GLB)について検討する。 GLBは現実世界のシナリオに広く適用できるが、その非線形性は計算効率と統計効率の両方を達成する上で大きな課題をもたらす。 本稿では,$mathcalO(1)$時間と1ラウンドあたりの空間複雑度をほぼ最適に再現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-16T02:24:21Z)
• Fidelity Isn't Accuracy: When Linearly Decodable Functions Fail to Match the Ground Truth [0.0]
  線形性スコア$lambda(f)$は、回帰ネットワークの出力が線形モデルによってどれだけうまく模倣できるかを測定する。 このフレームワークは、合成データセットと実世界のデータセットの両方で評価される。
  論文  参考訳（メタデータ） (2025-06-13T18:55:37Z)
• NIMO: a Nonlinear Interpretable MOdel [5.128077543874915]
  NIMOは、固有の解釈可能性とニューラルネットワークの表現力を組み合わせたフレームワークである。 我々のモデルは優れた予測性能を維持しつつ、忠実で知性に富む特徴効果を提供できることを示す。
  論文  参考訳（メタデータ） (2025-06-05T14:02:55Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• A Powerful Random Forest Featuring Linear Extensions (RaFFLE) [1.2233362977312945]
  RaFFLEは、ランダムな森林アンサンブル内でPILOTツリーをベースラーナーとして統合する新しいフレームワークである。 PILOT木は、従来の決定木の計算効率と線形モデル木の柔軟性を組み合わせたものである。 RaFFLEは様々な回帰問題に対処するための汎用ツールであることが証明されている。
  論文  参考訳（メタデータ） (2025-02-14T14:22:51Z)
• Joint Optimization of Piecewise Linear Ensembles [11.34717731050474]
  ツリーアンサンブルは多くの予測タスクで最先端のパフォーマンスを達成する。 我々は$textbfJ$oint $textbfO$ptimization of $textbfL$inear $textbfEn$sembles (JOPLEn)を提案する。 JOPLEnは、スパーシティ・プロモーティングや部分空間ノルムを含むいくつかの一般的な罰則を非線形予測に適用することを許している。
  論文  参考訳（メタデータ） (2024-05-01T03:59:06Z)
• Bayesian Nonlinear Regression using Sums of Simple Functions [0.0]
  本稿では,マクロ経済学における大規模データセットに適用可能な新しいベイズ機械学習モデルを提案する。 シミュレーションでは, 精度の高い点と密度の予測が得られた。
  論文  参考訳（メタデータ） (2023-12-04T13:24:46Z)
• Nearly Minimax Optimal Reinforcement Learning for Linear Markov Decision Processes [80.89852729380425]
  そこで本研究では,最小限の最小残差である$tilde O(dsqrtH3K)$を計算効率よく実現したアルゴリズムを提案する。 我々の研究は線形 MDP を用いた最適 RL に対する完全な答えを提供する。
  論文  参考訳（メタデータ） (2022-12-12T18:58:59Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• LQF: Linear Quadratic Fine-Tuning [114.3840147070712]
  本稿では,非線形微調整に匹敵する性能を実現する事前学習モデルの線形化手法を提案する。 LQFはアーキテクチャの単純な変更、損失関数、そして一般的に分類に使用される最適化で構成されている。
  論文  参考訳（メタデータ） (2020-12-21T06:40:20Z)

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。