論文の概要: REGAIN: REconciliation GAIN-driven Auxiliary Direction Learning

• arxiv url: http://arxiv.org/abs/2606.04380v1
• Date: Wed, 03 Jun 2026 02:53:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.491616
• Title: REGAIN: REconciliation GAIN-driven Auxiliary Direction Learning
• Title（参考訳）: REGAIN: 和解型GAIN駆動補助方向学習
• Authors: Weijia Li, Shun Hu, Yanfei Kang,
• Abstract要約: 本稿では,正規化された補助方向を学習する和解利得フレームワークを提案する。 有効な補助指示は未解決の標的不確実性について補完的な情報を提供する必要があることを示す。 北京PM2.5とオーストラリア観光データの実験では、ゲイン選択された測定値が通常の多変量と階層予測の両方を改善することが示されている。
• 参考スコア（独自算出の注目度）: 12.590383160848141
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecast reconciliation usually starts from a fixed measurement system and asks how forecasts should be projected onto a coherent space. We ask a different question: which additional linear measurements should be forecast and included in the reconciliation system? We propose REGAIN, a reconciliation-gain framework that learns normalized auxiliary directions, forecasts the induced series with a frozen forecasting oracle, and selects directions by their target-weighted loss reduction after augmented generalized least-squares reconciliation. Unlike variance-based components or predictability-based auxiliary selection, REGAIN optimizes the downstream effect of an auxiliary measurement on the final reconciled forecasts. We provide a statistical characterization showing that useful auxiliary directions must provide complementary information about unresolved target uncertainty, rather than merely being easy to forecast. The analysis also clarifies the covariance-risk reduction mechanism, the role of bias changes in realized quadratic risk, and the stability of estimated gain signals. A stagewise learning algorithm with held-out gain screening is developed, together with an optional joint refinement step. Experiments on Beijing PM2.5 and Australian Tourism data show that gain-selected measurements can improve both ordinary multivariate and hierarchical forecasts, especially when they reveal residual uncertainty not captured by the original measurement system.
• Abstract（参考訳）: 予測和解は通常、固定された測定システムから始まり、どのように予測をコヒーレントな空間に投影すべきかを問う。 我々は、どの線形測定を予測し、和解システムに含めるべきかという、異なる問いに答える。 本稿では,正規化された補助方向を学習し,凍結した予測オラクルを用いて誘導系列を予測し,一般化された最小二乗調合後の目標重み付き損失低減による方向選択を行う和解利得フレームワークREGAINを提案する。 分散ベースのコンポーネントや予測可能性に基づく補助選択とは異なり、REGAINは最終調整された予測に対する補助的な測定の下流効果を最適化する。 本報告では, 予測し易く, 未解決対象の不確実性について補足的な情報を提供しなければならないことを示す統計的特徴について述べる。 この分析は、共分散リスク低減機構、実現された二次リスクにおけるバイアス変化の役割、推定利得信号の安定性も明らかにしている。 ホールドアウトゲインスクリーニングを用いた段階学習アルゴリズムを,任意のジョイントリファインメントステップとともに開発する。 北京PM2.5とオーストラリア観光データによる実験では、ゲイン選択測定は通常の多変量および階層的な予測の両方を改善することが示されている。

関連論文リスト

• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• Algometrics: Forecasting Under Algorithmic Feedback [0.0]
  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。
  論文  参考訳（メタデータ） (2026-05-13T20:05:54Z)
• Forecasting the U.S. Treasury Yield Curve: A Distributionally Robust Machine Learning Approach [0.12891210250935145]
  配当の不確実性下における米国債利回り曲線の予測について検討する。 予測者は、平均予測誤差を最小化する代わりに、最悪のケース予測損失を最小限に抑える決定ルールを選択する。 本研究では,因子モデルと高次元非パラメトリック機械学習モデルを統合する分散ロバストなアンサンブル予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-08T05:26:43Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Optimal reconciliation with immutable forecasts [9.25906680708985]
  我々は、変数の既定部分集合の予測が変化しない、あるいは「不変」であるような調整手法を定式化する。 我々は,我々のアプローチがベース予測の偏りを保っていることを証明した。 また,予測誤差の相関を考慮し,予測の非負性を保証する。
  論文  参考訳（メタデータ） (2022-04-20T05:23:31Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)

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。