論文の概要: The Granularity Paradox: How Temporal Disaggregation Inflates In-Sample Fit and Compounds Out-of-Sample Error

• arxiv url: http://arxiv.org/abs/2607.05450v1
• Date: Sun, 05 Jul 2026 11:52:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.264014
• Title: The Granularity Paradox: How Temporal Disaggregation Inflates In-Sample Fit and Compounds Out-of-Sample Error
• Title（参考訳）: 粒度パラドックス:テンポラルデアグリゲーションがインサンプルフィットと化合物をどのように膨らませるか
• Abstract要約: 時系列予測における「グラニュラリティパラドックス」は, 時間分解の微細化により, サンプル内診断やデータセットサイズが向上する。 このトレードオフを形式化し、13年間の公開調達データセットを使用して、6つの粒度にわたる10のモデルをベンチマークします。
• 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: This paper explores the "Granularity Paradox" in time-series forecasting, wherein finer temporal disaggregation (e.g., Monthly to Weekly/Daily) improves in-sample diagnostics and dataset size (N), but degrades out-of-sample accuracy due to recursive error compounding over longer horizons (H). Conversely, coarse aggregation (Annual) eliminates recursive error propagation but reduces data available to estimators. We formalize this trade-off and benchmark 10 models - spanning naïve, statistical, machine learning, and deep learning architectures - across six granularities using a 13-year public procurement dataset. The empirical results reveal a non-monotonic threshold structure: recursive autoregressive and seasonal models degrade substantially under high-frequency forecasting (e.g., Holt-Winters reaches a Test R-squared of -151 and TPFE of 425.85% at the Daily grain), while the LSTM traces a U-shaped error curve, worsening from Monthly (19.66%) through Bi-Weekly (35.94%) before overcoming the error propagation penalty at Daily (TPFE of 4.35%, R-squared of 0.66). Linear Regression remains stable across all granularities (16.3-17.0% TPFE), confirming that the paradox is driven by recursive feedback topology, not model complexity. The results demonstrate that standard pointwise metrics (RMSE, MAE) systematically mask cumulative error propagation, and that evaluating forecasts without goal-dependent cumulative metrics produces misleading assessments of model adequacy. We introduce a consensus-dissensus diagnostic comparing the directional behaviour of pointwise metrics against cumulative TPFE across granularities, enabling the identification of models whose standard diagnostics mask systematic error propagation.
• Abstract（参考訳）: 本稿では、時系列予測における「グラニュラリティパラドックス」について検討し、より微細な時間分解(例:月毎から週毎/日毎)により、サンプル内診断とデータセットサイズ(N)が改善されるが、より長い地平線(H)上に再帰的な誤差が混在しているため、サンプル外精度が低下する。 逆に、粗いアグリゲーション(Annual)は再帰的なエラーの伝播をなくすが、推定器で利用可能なデータを減らす。 このトレードオフとベンチマーク10モデルを、13年間の公開調達データセットを使用して、6つの粒度にまたがる、ナイーブ、統計学、機械学習、ディープラーニングアーキテクチャにまたがる。 再帰的自己回帰モデルと季節モデルでは、高周波予測(例えば、ホルト・ウィンターズが1日当たり151乗とTPFEの425.85%の試験R-二乗に到達)で大幅に低下する一方、LSTMはU字型の誤差曲線を辿り、月毎(19.66%)からBi-Weekly(35.94%)まで悪化し、デイリー(TPFE:4.35%、R-二乗は0.66)でエラー伝播ペナルティを克服した。 線形回帰はすべての粒度(16.3-17.0% TPFE)にわたって安定であり、パラドックスがモデル複雑さではなく再帰的なフィードバックトポロジーによって駆動されていることを確認している。 その結果,標準点測度(RMSE, MAE)は累積誤差伝搬を系統的に隠蔽し,目標依存累積測度を含まない予測がモデル精度の誤解を招くことを示した。 本稿では,各粒度にまたがる累積TPFEに対するポイントワイド指標の方向性を比較検討するコンセンサス・ディセンサス・診断を導入し,標準診断が系統的エラー伝搬を隠蔽するモデルの同定を可能にする。

関連論文リスト

• SDPM: Survival Diffusion Probabilistic Model for Continuous-Time Survival Analysis [0.6882042556551609]
  生存拡散確率モデル(Survival Diffusion Probabilistic Model, SDPM)は、持続的生存分析のための生成的アプローチである。 SDPMは、標準化されたログタイムと検閲指標の連続したガウス混合表現を用いて、変換されたターゲット空間で動作する。 その結果,SDPMはC-index,統合時間依存型AUC,統合型Brierスコア間での競合予測性能が得られた。
  論文  参考訳（メタデータ） (2026-05-21T17:33:47Z)
• Improving Spatio-Temporal Residual Error Propagation by Mitigating Over-Squashing [4.62541204592513]
  本稿では,エラー関連自己回帰予測の時間的制限を克服する構造的不確実性モジュールであるTegerを紹介する。 Tegerはバックボーンに依存しないため、自己回帰エンコーダによって生成される潜伏状態のみを必要とする。
  論文  参考訳（メタデータ） (2026-05-18T08:51:33Z)
• Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
  制約を克服するオイラー法に対する全変分に基づく解析法を開発した。 その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。 全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
  論文  参考訳（メタデータ） (2026-02-26T00:47:51Z)
• Overlap-weighted orthogonal meta-learner for treatment effect estimation over time [90.46786193198744]
  ヘテロジニアス治療効果(HTE)を推定するための新しい重み付きメタラーナーを提案する。 我々のWO-Larnerは、ノイマン直交性(Neyman-orthogonality)の好ましい性質を持ち、ニュアンス関数の誤特定に対して堅牢である。 我々のWO-learnerは完全にモデルに依存しず、あらゆる機械学習モデルに適用可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-22T14:47:57Z)
• Total Robustness in Bayesian Nonlinear Regression for Measurement Error Problems under Model Misspecification [7.233732121762458]
  一般非線形回帰における3つの課題すべてに対処する完全ロバスト性をターゲットにした最初のベイズ的非パラメトリックフレームワークを提案する。 シミュレーションと実世界の2つの研究では、推定誤差の低減と、誤特定に対する推定感度の低減が示されている。 したがって、このフレームワークは、データとモデルが共同で不完全である場合に、信頼できる回帰のための実用的で解釈可能なパラダイムを提供する。
  論文  参考訳（メタデータ） (2025-10-03T15:58:40Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• DiffPuter: Empowering Diffusion Models for Missing Data Imputation [56.48119008663155]
  本稿ではDiffPuterについて紹介する。DiffPuterは、データ計算の欠如に対する期待最大化(EM)アルゴリズムと組み合わせた、カスタマイズされた拡散モデルである。 我々の理論的解析は、DiffPuterのトレーニングステップがデータ密度の最大推定値に対応することを示している。 DiffPuterは,最も競争力のある既存手法と比較して,MAEが6.94%,RMSEが4.78%向上した。
  論文  参考訳（メタデータ） (2024-05-31T08:35:56Z)
• Modeling High-Dimensional Data with Unknown Cut Points: A Fusion Penalized Logistic Threshold Regression [2.520538806201793]
  従来のロジスティック回帰モデルでは、リンク関数は線形で連続であると見なされることが多い。 我々は、全ての連続した特徴が順序レベルに離散化され、さらにバイナリ応答が決定されるしきい値モデルを考える。 糖尿病のような慢性疾患の早期発見と予知の問題において,ラッソモデルが好適であることが判明した。
  論文  参考訳（メタデータ） (2022-02-17T04:16:40Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。