論文の概要: Federated Ensemble Forecasting Under Supply-Chain Market Volatility
- arxiv url: http://arxiv.org/abs/2608.21399v1
- Date: Wed, 05 Aug 2026 20:15:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 05:49:59.228818
- Title: Federated Ensemble Forecasting Under Supply-Chain Market Volatility
- Title（参考訳）: サプライチェーン市場のボラティリティ下でのフェデレーション・アンサンブル予測
- Abstract要約: サプライチェーン予測システムは、市場ショック、特定されていない地域需要、商業データの集中化への限定的な意志の下で、ますます運用されている。
本研究は,クライアントノード間の予測専門家を訓練し,冗長なモデルエラーを回避する分散手法であるFederated Ensemble Forecasting with Negative-Correlation Learning (FEF NCL)を提案する。
このフレームワークは、時間的特徴エンコーダ、クライアントレベルのドリフトスコアリング、信頼性の高い集約、および各予測に最も責任のある市場およびサプライヤー変数を公開する説明能力レイヤを組み合わせる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Supply chain forecasting systems increasingly operate under market shocks, non-identically distributed regional demand, and limited willingness to centralize commercial data. This work proposes Federated Ensemble Forecasting with Negative-Correlation Learning (FEF NCL), a distributed method that trains specialized forecasting experts across client nodes while discouraging redundant model errors. The framework combines temporal feature encoders, client level drift scoring, reliability-weighted aggregation, and an explain ability layer that exposes the market and supplier variables most responsible for each forecast. A single synthetic dataset is used to evaluate the design. It contains 124,800 weekly SKU region observations from ten regional client nodes, 60 product families, 40 suppliers, five commodity groups, and a 2021-2024 volatility profile with explicit price-shock regimes. Because the dataset is synthetic, the reported results should be interpreted as controlled evidence of internal consistency rather than real-world validation. Across the synthetic test split, FEF NCL reduces weighted mean absolute percentage error from 13.9% for the best federated baseline to 12.4%, improves delay-risk macro-F1 from 0.755 to 0.801, and lowers the high volatility quintile error by 2.1 percentage points relative to SCAFFOLD. The analysis suggests that negative-correlation specialization is useful when clients face different supplier, freight, and commodity conditions, although deployment would require stronger privacy analysis, live drift monitoring, and operational calibration. Index Terms federated learning, ensemble learning, negative correlation learning, supply chain forecasting, market volatility, data drift, demand planning, risk governance
- Abstract（参考訳）: サプライチェーン予測システムは、市場ショック、特定されていない地域需要、商業データの集中化への限定的な意志の下で、ますます運用されている。
本研究は,クライアントノード間の予測専門家を訓練し,冗長なモデルエラーを回避する分散手法であるFederated Ensemble Forecasting with Negative-Correlation Learning (FEF NCL)を提案する。
このフレームワークは、時間的特徴エンコーダ、クライアントレベルのドリフトスコアリング、信頼性の高い集約、および各予測に最も責任のある市場およびサプライヤー変数を公開する説明能力レイヤを組み合わせる。
設計を評価するために、単一の合成データセットが使用される。
10の地域クライアントノード、60の製品ファミリー、40のサプライヤー、5つのコモディティグループ、2021-2024のボラティリティプロファイルから毎週124,800のSKU領域の観測結果が含まれている。
データセットは合成であるため、報告された結果は実世界の検証よりも内部一貫性の制御された証拠として解釈されるべきである。
合成試験分割全体で、EFNCLは、重み付き平均絶対パーセンテージ誤差をベストフェデレーションベースラインの13.9%から12.4%に減らし、遅延リスクマクロF1を0.755から0.801に改善し、SCAFFOLDに対して高い揮発性キネティ誤差を2.1ポイント下げる。
この分析は、クライアントが異なるサプライヤー、貨物、商品の条件に直面する際には、ネガティブな相関の専門化が有用であることを示しているが、デプロイにはより強力なプライバシー分析、ライブドリフトモニタリング、運用キャリブレーションが必要である。
インデックス用語は、学習、アンサンブル学習、負相関学習、サプライチェーン予測、市場のボラティリティ、データドリフト、需要計画、リスクガバナンスを結合した。
関連論文リスト
- 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) - OmniISR: A Unified Framework for Centralized and Federated Learning via Intermediate Supervision and Regularization [58.03221830946145]
我々は、純粋なCL、純粋なFL、ハイブリッドCL-FLトレーニングモードを融合する統合フレームワークであるOmniISRを提案する。
我々は,OmniISRが集中型パラダイムとフェデレーション型パラダイムの両方において,モデル性能を一貫して改善していることを示す。
論文 参考訳（メタデータ） (2026-05-19T04:13:27Z) - FERA: Uncertainty-Aware Federated Reasoning for Large Language Models [60.52562148874846]
我々は、サーバがプライベートなデモンストレーションを行う異種クライアントと協調することで、多段階推論を改善するフェデレーション推論について研究する。
重要な課題は、クライアントの信頼性がクエリ依存であるのに対して、サーバはクライアントデータを検査して、どのコントリビューションが信頼できるかを判断できません。
本稿では,サーバクライアントの反復的コリファインメントに基づくトレーニングフリーフレームワークである Uncertainty-Aware Federated Reasoning (FERA) を提案する。
論文 参考訳（メタデータ） (2026-05-11T07:04:51Z) - 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) - EvoNash-MARL: A Closed-Loop Multi-Agent Reinforcement Learning Framework for Medium-Horizon Equity Allocation [13.877325729509058]
EvoNash-MARLは、強化学習と人口ベースのポリシー最適化と実行対応の選択を統合するクローズドループフレームワークである。
2014年から2024年までのサンプル外データでは、SPYの11.7%に比べて19.6%のリターンが得られ、2026年までの長期評価では安定している。
論文 参考訳（メタデータ） (2026-04-13T02:24:32Z) - Stock Market Prediction Using Node Transformer Architecture Integrated with BERT Sentiment Analysis [1.2362187555287152]
本稿では,ノードトランスアーキテクチャとBERTに基づく感情分析を組み合わせた株価予測フレームワークを提案する。
提案モデルは,個々の株式がノードを形成し,エッジが関係をキャプチャするグラフ構造として,株式市場を表現している。
1982年1月から2025年3月までの20株のS&P500株に対する実験では、統合モデルが平均絶対パーセンテージ誤差(MAPE)を1日の予測で0.80%達成していることが示されている。
論文 参考訳（メタデータ） (2026-03-06T05:15:22Z) - Fractional-Order Federated Learning [4.1751058176413105]
フェデレートラーニング(FL)は、リモートクライアントがクライアントのプライバシを保護しながら、グローバルモデルを協調的にトレーニングすることを可能にする。
プライバシー保護のメリットにもかかわらず、FLには、収束の遅い、通信コストの高い、非独立性および独立性のない(非IID)データなど、大きな欠点がある。
論文 参考訳（メタデータ） (2026-02-17T06:25:23Z) - Interpretable Hypothesis-Driven Trading:A Rigorous Walk-Forward Validation Framework for Market Microstructure Signals [0.0]
我々は,アルゴリズム取引のためのウォークフォワード・バリデーション・フレームワークを開発した。
我々の手法は、解釈可能な仮説駆動信号生成と強化学習と厳密なサンプル外テストを組み合わせる。
このフレームワークは厳密な情報セットの規律を強制し、34の独立したテスト期間にわたるロールウインドウ検証を採用し、自然言語の仮説による完全な解釈可能性を維持している。
論文 参考訳（メタデータ） (2025-12-15T02:20:42Z) - Bayesian Modeling for Uncertainty Management in Financial Risk Forecasting and Compliance [0.0]
我々は,市場ボラティリティ予測,不正検出,コンプライアンス監視におけるリスクの取り扱いを継続的に促進する統合的アプローチを開発する。
我々は,2000年から2019年までのトレーニング期間,2020年から2024年までのアウト・オブ・サンプルテスト期間を用いて,毎日のS&P500リターンにおける95%バリュー・アット・リスク(VaR)予測の性能を評価した。
提案した割引係数DLMモデルは,クラスタ化違反の証拠とともに,わずかにリベラルなVaR推定を導出する。
論文 参考訳（メタデータ） (2025-12-06T23:00:19Z) - CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。
CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
論文 参考訳（メタデータ） (2025-10-23T05:10:06Z) - Chasing Fairness Under Distribution Shift: A Model Weight Perturbation
Approach [72.19525160912943]
まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。
次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。
これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
論文 参考訳（メタデータ） (2023-03-06T17:19:23Z) - FedSkip: Combatting Statistical Heterogeneity with Federated Skip
Aggregation [95.85026305874824]
我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。
我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
論文 参考訳（メタデータ） (2022-12-14T13:57:01Z)
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。