論文の概要: Two-stage Odd Residual Flows for Mean-Preserving Probabilistic Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2608.11114v1
- Date: Tue, 11 Aug 2026 16:22:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:46.113261
- Title: Two-stage Odd Residual Flows for Mean-Preserving Probabilistic Time Series Forecasting
- Title（参考訳）: 平均保存確率的時系列予測のための2段階オッド残留流れ
- Abstract要約: 2段階のOdd Residual Flows (TORF) は不確実性推定から平均予測を分離するフレームワークである。
TORFは、近距離および長距離予測において、強い密度推定性能(CRPS)を提供しながら、最先端の決定論的精度(NMAE)を達成する。
- 参考スコア（独自算出の注目度）: 9.992963275755159
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Probabilistic forecasting plays an essential role in risk-sensitive decision-making, particularly in long-horizon settings. However, existing approaches often face a fundamental trade-off between distributional flexibility and accurate mean prediction. Traditional parametric methods, such as Mean Variance Estimation (MVE), can suffer from degraded point accuracy when trained under joint Negative Log-Likelihood (NLL) objectives, while modern-flexible generative models, including Normalizing Flows and Diffusion Models, typically rely on costly Monte Carlo sampling and may yield suboptimal mean estimates. To address this limitation, we propose Two-stage Odd Residual Flows (TORF), a framework that decouples mean forecasting from uncertainty estimation. In the first stage, a pre-trained deterministic model is used to produce an accurate mean prediction. In the second stage, a Restricted Normalizing Flow, with strictly odd functions learns flexible residual distributions around the point forecast, guaranteeing mean preservation from the first stage without sampling. Experiments show that TORF achieves state-of-the-art deterministic accuracy (NMAE) while providing strong density estimation performance (CRPS) on short and long-horizon forecasting.
- Abstract（参考訳）: 確率的予測はリスクに敏感な意思決定において重要な役割を担っている。
しかし、既存のアプローチはしばしば、分布の柔軟性と正確な平均予測の間に根本的なトレードオフに直面します。
平均変数推定(MVE)のような従来のパラメトリックな手法は、負の対数対数対数(NLL)の目的の下で訓練された場合、劣化点の精度に悩まされ、一方、正規化フローや拡散モデルを含む現代のフレキシブルな生成モデルは、コストのかかるモンテカルロサンプリングに頼り、最適平均値を得る。
この制限に対処するため,不確実性推定から平均予測を分離するフレームワークである2段階Odd Residual Flows (TORF)を提案する。
第一段階では、事前学習された決定論的モデルを用いて正確な平均予測を生成する。
第2段階では、厳密な奇関数を持つ制限正規化フローは、点予測の周りのフレキシブルな残留分布を学習し、サンプリングせずに第1段階から平均的な保存を保証する。
実験により,TORFは短時間・長期の予測において強い密度推定性能(CRPS)を提供しながら,最先端の決定論的精度(NMAE)を達成することが示された。
関連論文リスト
- TSCoNet: A Two-Stage Copula CNN-LSTM for Uncertainty-Aware Spatio-Temporal Forecasting [7.191212864694664]
TSCoNetは2段階の畳み込みリカレントモデルであり、空間と時間の複数の変数を共同で予測するガウスのコプラと結合している。
本研究では,2000～2020年の50都市を対象に,球面上の非定常空間場と月降水量と気温の実際のデータセットについて検討した。
論文 参考訳（メタデータ） (2026-07-11T17:28:53Z) - PixelFlowCast: Latent-Free Precipitation Nowcasting via Pixel Mean Flows [3.219438344967702]
本稿では,2段階の確率予測フレームワークであるPixelFlowCastを提案する。
公開されているSEVIRデータセットの実験では、PixelFlowCastは予測精度と推論効率の両方で、既存の主流メソッドよりも優れています。
論文 参考訳（メタデータ） (2026-05-11T06:16:02Z) - SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
拡散モデルは近年,時系列予測において有望であることが示されている。
それらはしばしば最先端のポイント推定性能を達成するのに失敗する。
ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
論文 参考訳（メタデータ） (2025-11-24T16:09:55Z) - RDIT: Residual-based Diffusion Implicit Models for Probabilistic Time Series Forecasting [4.140149411004857]
RDITは、点推定と残差に基づく条件拡散と双方向のMambaネットワークを組み合わせたプラグアンドプレイフレームワークである。
RDITは, 強いベースラインに比べてCRPSの低下, 高速推論, カバレッジの向上を実現している。
論文 参考訳（メタデータ） (2025-09-02T14:06:29Z) - Conformalised Conditional Normalising Flows for Joint Prediction Regions in time series [7.200880964149064]
Conformal Predictionは、機械学習モデルの不確実性を定量化する強力なフレームワークを提供する。
正規化フローのような確率的生成モデルに共形予測を適用することは簡単ではない。
本研究では,条件付き正規化フローを適合させる新しい手法を提案する。
論文 参考訳（メタデータ） (2024-11-26T02:19:13Z) - Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳（メタデータ） (2023-10-25T02:37:51Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2023-10-17T20:30:16Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z)
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。