論文の概要: Trend strength predicts when generative foundation models win: a power-controlled benchmark, a mechanism, and an actionable selection rule
- arxiv url: http://arxiv.org/abs/2607.19383v1
- Date: Wed, 01 Jul 2026 10:46:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.145137
- Title: Trend strength predicts when generative foundation models win: a power-controlled benchmark, a mechanism, and an actionable selection rule
- Title（参考訳）: 生成基礎モデルが勝つときのトレンド強度予測--電力制御ベンチマーク、メカニズム、行動可能な選択規則
- Abstract要約: ゼロショットクロノスモデルは、4つの強い古典的ベースラインを著しく上回る。
既知のトレンド生成プロセスによる制御された合成実験は、その理由を示している。
利点は収縮効果であるため、傾向強度だけで予測可能である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pretrained generative foundation models cast forecasting as conditional generation from a learned predictive distribution and forecast unseen series zero-shot. We establish three results that turn their reported success into an actionable, mechanistic understanding. First (a positive benchmark result): on a power-controlled study of 1728 rolling-origin forecasts over 36 series from 19 datasets spanning the full range of STL trend strength (F_T in [0.17, 1.00]), a zero-shot Chronos model significantly outperforms four strong classical baselines -- drift, seasonal-naive, Theta, and additive Holt-Winters/ETS -- with the best mean MASE (1.187 vs. Theta 1.337, ETS 1.656; Friedman chi^2 = 46.08, p = 8.75e-09; Holm-corrected Wilcoxon p <= 0.015 against every baseline; a Nemenyi critical difference separating it from the classical pack). Second (a novel, quantified mechanism): a controlled synthetic experiment with a known trend-generating process shows why -- and reveals that the win does not come from better trend extrapolation. When the true trend is linear, damped, or exponential, additive ETS tracks the slope (slope-tracking ratio 1.02, 1.34, 0.98) whereas Chronos systematically under-extrapolates, behaving as a trend-shrinkage estimator (ratio 0.80, 0.49, 0.36). Third (an actionable selection rule): because the advantage is a shrinkage effect, it is predictable from trend strength alone -- the generative model wins 78% of low-trend series but only 44% of high-trend ones, and its edge over ETS is significant on the low-trend stratum (0.982 vs. 1.671, p = 0.002) yet a tie on the high-trend stratum (p = 0.18). Trend strength, computable before forecasting from the training context alone, is therefore a practical a-priori indicator of when to deploy a foundation model. We additionally document a calibration shortfall (80% intervals cover 0.77).
- Abstract（参考訳）: 事前学習された生成基礎モデルは、学習された予測分布から条件付き生成として予測し、目に見えないシリーズゼロショットを予測する。
私たちは、報告された成功を実行可能な機械的な理解に変える3つの結果を確立します。
第一の(正のベンチマーク結果)は、STLトレンド強度の全範囲にまたがる19のデータセット(F_T in [0.17, 1.00])から、36シリーズにまたがる1728回のローリングオリジン予測をパワーコントロールした調査(F_T in [0.17, 1.00])において、ゼロショットクロノスモデルは、4つの強い古典的ベースライン -- ドリフト、季節変動、セタ、追加のホルト・ウィンターズ/ETS -- を著しく上回り、最高の平均値 MASE (1.187 vs. Theta 1.337, ETS 1.656; Friedman chi^2 = 46.08, p = 8.75e-09; Holm-corred Wilcoxon p <= 0.015; Nemeni は古典的パックと区別される。
第2の(新しい定量化機構)は、既知のトレンド生成プロセスによる制御された合成実験であり、なぜその勝利がより良いトレンド外挿から来ていないかを示している。
真の傾向が直線的、減衰的、指数的であるとき、加法的ETSは斜面(斜面追尾比1.02, 1.34, 0.98)を追跡するが、クロノスは系統的に過度に外挿し、トレンド収縮推定器(比0.80, 0.49, 0.36)として振る舞う。
第3の(動作可能な選択規則) 利点は縮小効果であるため、傾向強度のみから予測可能であり、生成モデルは低トレンド級数の78%を獲得し、高トレンド級数の44%しか獲得せず、ETSのエッジは低トレンド層(0.982 vs. 1.671, p = 0.002)では有意であり、高トレンド層(p = 0.18)ではネクタイとなる。
傾向の強さは、トレーニングコンテキストのみから予測される前に計算可能であり、基礎モデルをいつ展開するかを示す実用的な指標である。
さらに、キャリブレーション不足(80%間隔が0.77の範囲)を文書化する。
関連論文リスト
- Rollcast: Proper-Score Gated Rolling Anchors for Adaptive Probabilistic Time-Series Forecasting [0.0]
ローリングは、中央値、極端値、回帰エンドポイント、および量子化が候補予測位置を定義することを意味する。
状態依存ソフトマックスゲートは、負の対数予測密度を最小化してアンカー確率を学習する。
再帰シミュレーションは、結果の混合を複数の予測水平線上で伝播する。
論文 参考訳（メタデータ） (2026-09-03T18:50:29Z) - (Mis)Understanding Benign Overfitting in Equity Return Prediction [14.203404489519242]
我々は、この良質な過適合現象が、株式リターン予測にまで及んでいるかどうかを考察する。
まず、リッジレスモデルの予測リスクの二重降下パターン、次に、最適リッジモデルが常にリッジレスモデルよりも優れているのに対して、この性能ギャップは大きなパラメーター対オブザーブレーション比で無視される。
論文 参考訳（メタデータ） (2026-08-24T18:54:34Z) - Bi-Level Chaotic Fusion Based Graph Convolutional Network for Stock Market Prediction Interval [0.0]
金融市場の予測は本質的に不確実であるが、ほとんどのディープラーニングアプローチは不確実性のない単一見積もりに依存している。
この問題は予測間隔を用いて解くことができ、予測の不確実性と低い境界が得られる。
しかし、現在の手法は資産間の関係を無視したり、適切な校正シャープネスを確保することができない傾向にある。
論文 参考訳（メタデータ） (2026-05-05T05:06:42Z) - REAL: Regression-Aware Reinforcement Learning for LLM-as-a-Judge [83.2858110368572]
回帰報酬を最適化するための原則的RLフレームワークである textbfREAL (underlineREgression-underlineAware Reinforcement underlineLThought) を提案する。
我々は,REALがレグレッション対応SFTベースラインと標準RL法の両方を一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-03-17T21:19:08Z) - STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。
STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-02-12T16:30:07Z) - SPADE-S: A Sparsity-Robust Foundational Forecaster [31.818058575031888]
SPADE-Sは、マグニチュードとスパシティベースの体系的バイアスを著しく低減し、全体的な予測精度を向上させる頑健な予測アーキテクチャである。
本研究では,SPADE-Sが予測精度を最大15%向上できることを示す。
論文 参考訳（メタデータ） (2025-07-24T19:30:24Z) - Time-Series Foundation AI Model for Value-at-Risk Forecasting [9.090616417812306]
この研究は、VaR(Value-at-Risk)のための時系列基礎AIモデルの性能を初めて分析したものである。
さまざまなデータセットで事前トレーニングされたファンデーションモデルは、最小限のデータを持つゼロショット設定で適用することができる。
微調整は精度を著しく向上させ、VaRにはゼロショットの使用が最適でないことを示す。
論文 参考訳（メタデータ） (2024-10-15T16:53:44Z) - Pre-trained Model Guided Fine-Tuning for Zero-Shot Adversarial Robustness [52.9493817508055]
我々は,モデルがゼロショットの逆方向のロバスト性を高めるために,事前訓練されたモデル誘導逆方向の微調整(PMG-AFT)を提案する。
私たちのアプローチは、平均8.72%のクリーンな精度を継続的に改善します。
論文 参考訳（メタデータ） (2024-01-09T04:33:03Z) - Confidence and Dispersity Speak: Characterising Prediction Matrix for
Unsupervised Accuracy Estimation [51.809741427975105]
この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。
我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。
核の基準は既存の手法よりも正確で堅牢であることを示す。
論文 参考訳（メタデータ） (2023-02-02T13:30:48Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - Beyond Point Estimate: Inferring Ensemble Prediction Variation from
Neuron Activation Strength in Recommender Systems [21.392694985689083]
Ensemble Methodは、予測不確実性推定のための最先端のベンチマークである。
予測のバリエーションは、様々なランダム性源から生じることを観察する。
本稿では,ニューロンの活性化強度の予測変動を推定し,活性化強度の特徴から強い予測力を示す。
論文 参考訳（メタデータ） (2020-08-17T00:08:27Z)
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。