論文の概要: Algometrics: Forecasting Under Algorithmic Feedback

• arxiv url: http://arxiv.org/abs/2605.23978v1
• Date: Wed, 13 May 2026 20:05:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 02:55:42.996471
• Title: Algometrics: Forecasting Under Algorithmic Feedback
• Title（参考訳）: Algometrics:アルゴリズムフィードバックによる予測
• Authors: Marc Schmitt,
• Abstract要約: 進化は予測アルゴリズムによって予測される時系列のフレームワークであるalgometricsを紹介します。 この枠組みは、受動的予測の下で測定された歴史的リスクと、予測が行動を起こすときに測定されたデプロイメントリスクとを区別する。 これらの結果から,アルゴリズム市場における時系列ベンチマークでは,予測精度とともにフィードバック感度を報告すべきであることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In algorithmic markets, predictive models become part of the data-generating process they aim to forecast. Once their outputs are converted into trades, allocations, execution schedules, or risk controls, they change the future data on which they are evaluated. I introduce algometrics, a framework for time series whose evolution depends on the predictive algorithms forecasting them. The framework distinguishes historical risk, measured under passive forecasting, from deployment risk, measured when forecasts drive actions. I prove three results. First, deployment risk is not identifiable from passive historical data alone: even in a one-step linear feedback model, infinitely many algorithm-mediated environments induce the same historical law while implying different deployment risks for the same forecaster. Second, historical model rankings can invert under crowding, so a predictor with lower passive error can have higher deployment error once similar algorithms are adopted. Third, randomized or instrumented actions identify short-horizon linear feedback, and I derive a finite-sample bound for deployment-risk estimation. These results suggest that time-series benchmarks in algorithmic markets should report feedback sensitivity alongside predictive accuracy.
• Abstract（参考訳）: アルゴリズム市場においては、予測モデルは予測対象とするデータ生成プロセスの一部となる。 一度アウトプットがトレード、アロケーション、実行スケジュール、リスクコントロールに変換されると、評価対象の将来のデータを変更する。 進化が予測アルゴリズムに依存している時系列のフレームワークであるalgometricsを紹介します。 この枠組みは、受動的予測の下で測定された歴史的リスクと、予測が行動を起こすときに測定されたデプロイメントリスクとを区別する。 私は3つの結果を証明します。 第一に、デプロイメントのリスクは受動的履歴データだけでは特定できない。一段階の線形フィードバックモデルであっても、アルゴリズムを介する環境が無限に多くの履歴法則を誘導し、同じ予測器に対して異なるデプロイメントのリスクを示唆する。 第二に、過去のモデルランキングは混雑下で逆転できるため、同様のアルゴリズムが採用されれば、受動的エラーの少ない予測器は、より高いデプロイメントエラーを発生させることができる。 第3、ランダム化、または計測された動作は、短水平線形フィードバックを識別し、配置リスク推定のための有限サンプル境界を導出する。 これらの結果から,アルゴリズム市場における時系列ベンチマークでは,予測精度とともにフィードバック感度を報告すべきであることが示唆された。

関連論文リスト

• Uncertainty-Aware Decoding with Minimum Bayes Risk [70.6645260214115]
  予測されたリスクに応じてモデル生成を選択する最小ベイズリスク復号法を,原理化された不確実性認識復号法に一般化する方法を示す。 この修正された予測リスクは、出力の選択と生成をいつ中止するかの判断の両方に有用であり、オーバーヘッドを発生させることなく改善を提供できることを示す。
  論文  参考訳（メタデータ） (2025-03-07T10:55:12Z)
• Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI [41.99446024585741]
  Weak Innovation AutoEncoderをベースとしたGenerative Probabilistic ForecastingアーキテクチャであるWIAE-GPFを提案する。 構造収束を保証する新しい学習アルゴリズムを提案し、生成した予測サンプルが基底真理条件付き確率分布と一致することを保証した。
  論文  参考訳（メタデータ） (2024-03-09T00:41:30Z)
• Conservative Predictions on Noisy Financial Data [6.300716661852326]
  金融市場の価格変動は、非常に騒々しいことがよく知られている。 従来のルール学習技術は、高精度なルールのみを求め、先行者が適用されない予測を控えるものだった。 我々は、モデルが不確実であるデータポイントの予測を控える、同様のアプローチを適用する。
  論文  参考訳（メタデータ） (2023-10-18T09:14:19Z)
• Distribution-free risk assessment of regression-based machine learning algorithms [6.507711025292814]
  我々は回帰アルゴリズムとモデル予測の周囲に定義された区間内に存在する真のラベルの確率を計算するリスク評価タスクに焦点をあてる。 そこで,本研究では,正のラベルを所定の確率で含むことが保証される予測区間を提供する共形予測手法を用いてリスク評価問題を解決する。
  論文  参考訳（メタデータ） (2023-10-05T13:57:24Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Fast nonlinear risk assessment for autonomous vehicles using learned conditional probabilistic models of agent futures [19.247932561037487]
  本稿では,自動運転車の軌道のリスクを評価するために,高速な非サンプリング方式を提案する。 提案手法はガウス混合モデルと非ガウス混合モデルの両方を含む不確実な予測に対する幅広い表現に対処する。 我々は不確実な位置のモーメントの正確な時間進化を管理する決定論的線形力学系を構築する。
  論文  参考訳（メタデータ） (2021-09-21T05:55:39Z)
• Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware Regression [91.3373131262391]
  不確かさが唯一の確実性である。 伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。 現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
  論文  参考訳（メタデータ） (2021-03-25T06:56:09Z)
• 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)
• Fast Risk Assessment for Autonomous Vehicles Using Learned Models of Agent Futures [10.358493658420173]
  本稿では,自動走行車における軌道のリスクを評価するために,高速な非サンプリング方式を提案する。 提案手法はガウス混合モデルと非ガウス混合モデルの両方を含む不確実な予測に対する幅広い表現に対処する。 提案手法は、ArgoverseデータセットとCARLAデータセットでトレーニングされたプロパゲートからの現実的な予測に基づいて実証される。
  論文  参考訳（メタデータ） (2020-05-27T16:16:36Z)

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。