論文の概要: Once-for-All: Scalable Simultaneous Forecasting via Equilibrium State Estimation

• arxiv url: http://arxiv.org/abs/2606.13285v1
• Date: Thu, 11 Jun 2026 12:42:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.792223
• Title: Once-for-All: Scalable Simultaneous Forecasting via Equilibrium State Estimation
• Title（参考訳）: once-for-all:平衡状態推定によるスケーラブル同時予測
• Authors: Beinan Xu, Andy Song, Jiti Gao, Feng Liu,
• Abstract要約: 平衡状態推定は同時予測のための新しいパラダイムである。 まず、系間の平衡状態を推定し、その後、現在の状態と推定された平衡との差に基づいて総論的な予測を生成する。 通貨交換や新型コロナウイルスの拡散モデリングを含む、合成および現実世界のデータセットの実験は、ESEが最先端(SOTA)メソッドと同じくらい正確であることを実証している。
• 参考スコア（独自算出の注目度）: 7.10354095424434
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce Equilibrium State Estimation (ESE), a novel paradigm for simultaneous prediction, where multiple interacting systems require separate yet coordinated forecasts. Such scenarios often arise in real-world settings such as economics and healthcare modeling. Unlike existing approaches that predict one system at a time, ESE forecasts all systems in a single pass. It first estimates the equilibrium state across systems, then generates holistic forecasts based on the difference between the current state and the estimated equilibrium. Extensive experiments on synthetic and real-world datasets, including currency exchange and COVID-19 spread modeling, demonstrate that ESE is at least as accurate as state-of-the-art (SOTA) methods while being significantly faster. In addition, ESE integrates seamlessly with conventional predictors, combining their accuracy with its exceptional efficiency and delivering a 10-70x speedup. With linear-time complexity, ESE scales far better than SOTA methods as the number of systems increases. Moreover, it remains accurate under diverse perturbations, establishing ESE as a fast, generalizable, robust, and scalable multi-prediction method.
• Abstract（参考訳）: 並列予測のための新しいパラダイムであるEquilibrium State Estimation (ESE)を導入する。 このようなシナリオは、経済学や医療モデリングのような現実世界の設定でしばしば発生する。 1回に1つのシステムを予測する既存のアプローチとは異なり、ESEはすべてのシステムを1回のパスで予測する。 まず、系間の平衡状態を推定し、その後、現在の状態と推定された平衡との差に基づいて総論的な予測を生成する。 通貨交換や新型コロナウイルスの拡散モデリングを含む、合成および現実世界のデータセットに関する大規模な実験は、ESEが最先端(SOTA)メソッドと同程度に正確でありながら、極めて高速であることを実証している。 さらに、ESEは従来の予測器とシームレスに統合し、その精度と例外的な効率を組み合わせ、10～70倍のスピードアップを提供する。 線形時間複雑性では、ESEはシステム数が増えるにつれてSOTA法よりもはるかにスケールする。 さらに、多様な摂動の下では正確であり、ESEは高速で、一般化可能で、堅牢で、スケーラブルなマルチプレディション法として確立されている。

関連論文リスト

• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• 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)
• 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)
• A Composite-Loss Graph Neural Network for the Multivariate Post-Processing of Ensemble Weather Forecasts [0.0]
  デュアルGNNは、実証的なコプラベースの後処理予測を一貫して上回っている。 双対GNN予測のランク順構造は、貴重な依存情報をキャプチャする。
  論文  参考訳（メタデータ） (2025-09-02T19:37:44Z)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)
• Model scale versus domain knowledge in statistical forecasting of chaotic systems [7.6146285961466]
  我々は17の予測指標を持つ135の低次元システムのクラウドソースデータベース上で24の最先端予測手法をベンチマークした。 大規模でドメインに依存しない予測手法は、常に2ダースのリャプノフ時間まで正確な予測を生成する。 長い水平状態以外のデータ制限設定では、物理学に基づくハイブリッド手法は、強い帰納バイアスのため、相対的な優位性を維持している。
  論文  参考訳（メタデータ） (2023-03-13T03:03:17Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。