論文の概要: PATH: Next-Interval Prediction via Autoregressive Tree Hierarchy on Tabular Data
- arxiv url: http://arxiv.org/abs/2608.08078v1
- Date: Sat, 08 Aug 2026 11:57:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.652532
- Title: PATH: Next-Interval Prediction via Autoregressive Tree Hierarchy on Tabular Data
- Title（参考訳）: PATH: タブラルデータに基づく自己回帰木階層による次インターバル予測
- Authors: Pengxiang Cai, Wanchen Lian, Chenyang Liu, Xiaohan Li, Qingyuan Zeng, Jinhong Wang, Jintai Chen,
- Abstract要約: インターバル予測は、可能な限り短い間隔で対象のカバレッジレベルを達成することを目的としている。
PATHは、各間隔から次のネストされたサブインターバルまで、確率質量がどのように流れるかを学ぶ。
PATHは結果の間隔を大幅に短縮し、平均正規化の長さは0.1473であり、平均カバレッジは0.9144である。
- 参考スコア（独自算出の注目度）: 20.090153676612143
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interval prediction aims to achieve a target coverage level while producing intervals that are as short as possible. Many conformal regression pipelines first predict an uncertainty surrogate and then convert it into an interval through calibration or selection. This separation supports coverage calibration, but post hoc rules largely determine the final interval and do not fully use the learned output distribution. We observe that the resulting intervals have inherently hierarchical geometry: an interval can be recursively refined into nested subintervals, and binary trees naturally represent this structure. We formulate this hierarchy as next-interval prediction and propose PATH, which learns how probability mass flows from each interval to its next nested subintervals. PATH predicts a base leaf distribution and uses an autoregressive decoder to refine branch probabilities. Matching the distribution to the interval hierarchy aligns learning with extraction: PATH accumulates probability over adjacent output intervals and returns the shortest contiguous range reaching a selected mass. We compare PATH with 24 baselines for interval prediction on PATHBench, comprising 56 OpenML regression datasets. PATH substantially shortens the resulting intervals, achieving the lowest mean normalized length, 0.1473, while maintaining mean coverage of 0.9144. These results establish hierarchical output modeling as an effective approach for compact interval prediction on tabular data. Code is publicly available at https://github.com/pxcai/PATH.
- Abstract（参考訳）: インターバル予測は、可能な限り短い間隔で対象のカバレッジレベルを達成することを目的としている。
多くの共形回帰パイプラインは、まず不確実なサロゲートを予測し、キャリブレーションまたは選択によってインターバルに変換する。
この分離はカバレッジキャリブレーションをサポートするが、ポストホックルールは最終インターバルを決定し、学習した出力分布を完全には使用しない。
結果として得られる区間は本質的に階層的幾何学であり、間隔はネストした部分区間に再帰的に洗練され、二分木はこの構造を自然に表す。
我々は、この階層を次のインターバル予測として定式化し、各インターバルから次のネストしたサブインターバルへの確率質量の流れを学習するPATHを提案する。
PATHは葉の分布を予測し、分岐確率を洗練するために自己回帰デコーダを使用する。
PATHは隣り合う出力間隔に確率を蓄積し、選択された質量に達する最短連続範囲を返す。
56のOpenML回帰データセットからなるPATHBenchの間隔予測において,PATHと24のベースラインを比較した。
PATHは結果の間隔を大幅に短縮し、平均正規化の長さは0.1473であり、平均カバレッジは0.9144である。
これらの結果は、表データのコンパクト間隔予測に有効な手法として階層的出力モデルを確立する。
コードはhttps://github.com/pxcai/PATH.comで公開されている。
関連論文リスト
- TimePLE: Rethinking Temporal Representation for Video Temporal Grounding [45.27333302368563]
ビデオ時間グラウンド(VTG)は、自然言語クエリによって記述された連続的なビデオ間隔をローカライズすることを目的としている。
本稿では,VTGを終端予測からインターバルネイティブグラウンドに再構成するTimePLEを提案する。
4つのVTGベンチマークによる実験によると、TimePLEは終端予測ベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-07-27T02:56:43Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - How Many Trees in a Random Forest? A Revisited Approach with Plateau Search and Optuna Integration [0.30586855806896046]
ランダムフォレストのためのHPOのための統合三重項ベースプラトー探索アルゴリズムを提案する。
この方法は、バッグ外スコアの相対的な変化を監視して、最小に近い十分なアンサンブルサイズを適応的に追跡する。
実験により、選択された木の数は共通の絶対値と大きく異なることが示されている。
論文 参考訳（メタデータ） (2026-06-02T12:10:43Z) - Posterior Augmented Flow Matching [64.1559809786948]
後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である
PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
論文 参考訳（メタデータ） (2026-05-01T17:59:59Z) - Scheduling LLM Inference with Uncertainty-Aware Output Length Predictions [16.877407702260243]
既存のメソッドは通常、スケジューリングを容易にするためにリクエスト毎に単一の出力長を予測する。
SJFスケジューリングにおける出力長の代替として,Tail Inflated expectation (TIE)を提案する。
TIEは、オンライン推論のために、トーケン毎のレイテンシを2.31ドル削減し、オフラインデータ生成のために、スループットを1.42ドル改善する。
論文 参考訳（メタデータ） (2026-04-01T05:31:21Z) - Conformal Thresholded Intervals for Efficient Regression [9.559062601251464]
Conformal Thresholded Intervals (CTI) は、カバー範囲が保証された最小限の予測セットを生成することを目的とした、新しいコンフォメーション回帰手法である。
CTIは、その長さに基づいて推定された条件間間隔をしきい値にすることで予測セットを構築する。
CTIは、様々なデータセットにわたる最先端のコンフォメーション回帰手法よりも優れた性能を達成している。
論文 参考訳（メタデータ） (2024-07-19T17:47:08Z) - Will My Robot Achieve My Goals? Predicting the Probability that an MDP Policy Reaches a User-Specified Behavior Target [56.99669411766284]
自律的なシステムがタスクを実行する場合、ユーザの目標を達成する確率のキャリブレーションされた見積もりを維持する必要がある。
本稿では,ユーザの目標が目標間隔として指定される設定について検討する。
我々は、共形予測を反転させて確率推定を計算する。
論文 参考訳（メタデータ） (2022-11-29T18:41:20Z) - Prediction Intervals in the Beta Autoregressive Moving Average Model [0.0]
提案した予測区間のうち2つは、ベータ分布の正規分布と量子関数を考慮した近似に基づいている。
また,ブートストラップに基づく予測間隔,すなわち, (i)ブートストラップ予測誤差(BPE)間隔, (ii)バイアス補正・加速(BCa)予測間隔, (iii)ブートストラップ予測値の定量値に基づくパーセンタイル予測間隔についても検討した。
論文 参考訳（メタデータ） (2022-07-24T01:22:27Z) - Uniformity in Heterogeneity:Diving Deep into Count Interval Partition
for Crowd Counting [56.44300325295678]
一様誤差分割(UEP)と呼ばれる新しいカウント間隔分割基準を提案する。
MCP基準は、推論中にそのカウント値を表すために、各インターバルのベストカウントプロキシを選択する。
統一誤り分割ネットワーク(UEPNet)と呼ばれる単純で効果的なモデルを提案する。
論文 参考訳（メタデータ） (2021-07-27T06:24:15Z) - Predict then Interpolate: A Simple Algorithm to Learn Stable Classifiers [59.06169363181417]
Predict then Interpolate (PI) は環境全体にわたって安定な相関関係を学習するためのアルゴリズムである。
正しい予測と間違った予測の分布を補間することにより、不安定な相関が消えるオラクル分布を明らかにすることができる。
論文 参考訳（メタデータ） (2021-05-26T15:37:48Z)
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。