論文の概要: CEDAR: Controlled and Event-Driven Demand Forecasting via Residual Decomposition

• arxiv url: http://arxiv.org/abs/2608.25871v1
• Date: Wed, 26 Aug 2026 14:43:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.868045
• Title: CEDAR: Controlled and Event-Driven Demand Forecasting via Residual Decomposition
• Title（参考訳）: CEDAR: 残留分解による制御およびイベント駆動型需要予測
• Abstract要約: 本稿では,ロバストな決定条件シミュレーションのための2段階のフレームワークを提案する。 ステージ1では、Action-Interleaved Transformerが、計画された介入の下でロールアウトのための制御可能なアクション条件付き状態遷移を学習する。 ステージIIでは、Residual Correction Moduleは外部イベント信号とLCM支援のテキスト表現を利用して、ノイズの多いイベント記述を製品コンテキストと整合させる。
• 参考スコア（独自算出の注目度）: 23.998670991797756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting in large-scale e-commerce marketplaces is increasingly required to support planning: merchants need to evaluate sales outcomes under future action sequences such as budget schedules, rather than passively predicting what happens next. However, most existing time series forecasting (TSF) approaches remain inherently passive. Even when incorporating operational decisions as auxiliary covariates, they typically optimize for correlation-based extrapolation under historical policies. This design suffers from autoregressive inertia and conflates endogenous market evolution with decision-induced transitions, leading to policy-insensitive rollouts and unreliable counterfactual analysis. To bridge this gap, we propose CEDAR (Controlled and Event-Driven Demand forecasting via Action-aware Residual decomposition), a two-stage framework for robust decision-conditioned simulation. In Stage I, an Action-Interleaved Transformer learns controllable action-conditioned state transitions for rollout under planned interventions. In Stage II, a Residual Correction Module leverages external event signals and LLM-assisted text representations to align noisy event descriptions with product context and correct event-driven deviations. Our study is enabled by a large-scale real-world dataset from Alibaba 1688, comprising approximately 32 million product trajectories with paired state-action sequences and aligned event signals. Extensive offline experiments and online controlled experiments in production demonstrate that CEDAR consistently improves simulation accuracy over strong TSF baselines and delivers practical gains for real-world budget planning.
• Abstract（参考訳）: 大規模なeコマース市場における予測は、計画を支援するためにますます必要となる。商人は、次に何が起こるかを受動的に予測するのではなく、予算スケジュールなどの将来の行動シーケンスの下での販売成果を評価する必要がある。 しかしながら、ほとんどの既存の時系列予測(TSF)アプローチは本質的に受動的である。 運用上の決定を補助的共変量として取り入れる場合でも、通常は歴史的政策の下で相関に基づく外挿を最適化する。 この設計は自己回帰的慣性に悩まされ、内因性市場の発展を決定によって引き起こされる遷移と融合させ、政策に敏感なロールアウトと信頼できない反事実分析をもたらす。 このギャップを埋めるために、我々は、堅牢な意思決定条件のシミュレーションのための2段階のフレームワークであるCEDAR(Controlled and Event-Driven Demand forecasting via Action-Aware Residual decomposition)を提案する。 ステージ1では、Action-Interleaved Transformerが、計画された介入の下でロールアウトのための制御可能なアクション条件付き状態遷移を学習する。 ステージIIでは、Residual Correction Moduleは外部イベント信号とLCM支援のテキスト表現を利用して、ノイズの多いイベント記述を製品コンテキストと正しいイベント駆動逸脱に合わせる。 本研究は,Alibaba 1688の大規模実世界のデータセットによって実現され,約3200万の製品トラジェクトリとペア状態アクションシーケンス,整列イベント信号から構成される。 大規模なオフライン実験とオンライン制御実験により、CEDARは強力なTSFベースラインよりもシミュレーション精度を一貫して改善し、現実の予算計画に実用的な利益をもたらすことを示した。

関連論文リスト

• FutureRTC: Real-Time Robot Execution with Anticipatory-Conditioned Action Chunking [51.97839311685636]
  FutureRTCは、実行時の観察と非同期VLA制御の状態を予測するためのプラグイン・アンド・プレイ適応フレームワークである。 FutureRTCは推論遅延に対する堅牢性を実現し,よりスムーズな軌道,高速な実行,一貫したタスク成功率を実現している。
  論文  参考訳（メタデータ） (2026-07-27T05:10:16Z)
• End-to-end Conditional Diffusion for Realistic and Controllable Visual Traffic Scenario Generation [59.188006170485046]
  E2E-CDiffは、制御可能で現実的なシナリオ生成のためのエンドツーエンドの条件拡散フレームワークである。 微分可能な誘導は速度を規制し、乾燥可能な領域のコンプライアンスを強制し、衝突回避や衝突回避行動をサポートする。 E2E-CDiffは、学習ベースのエゴプランナーとしても競争力がある。
  論文  参考訳（メタデータ） (2026-07-21T02:13:25Z)
• Proposal-Conditioned Latent Diffusion for Closed-Loop Traffic Scenario Generation [1.6711881128691604]
  本稿では,インスタンス中心のシーンコンテキストとマルチモーダルな提案を前提とした拡散型シナリオ生成フレームワークを提案する。 Open Motionデータセットの実験では、さまざまなインタラクティブなシナリオにおけるリアリズム、安全性、コントロール可能性のバランスが好まれている。
  論文  参考訳（メタデータ） (2026-06-25T15:01:31Z)
• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• Dynamics-Informed Deep Learning for Predicting Extreme Events [0.0]
  リアルタイム予測は、極端を駆動するメカニズムをエンコードする前駆体を要求する。 極端事象の長期予測のための,完全なデータ駆動型フレームワークを提案する。 断続乱流の標準モデルであるコルモゴロフ流の枠組みを実証する。
  論文  参考訳（メタデータ） (2026-03-11T13:51:17Z)
• Let's Reward Step-by-Step: Step-Aware Contrastive Alignment for Vision-Language Navigation in Continuous Environments [38.97818584066075]
  VLN-CE(Vision-Language Navigation in Continuous Environments)は、長期にわたる人間のインタラクションから複雑な推論を学ぶためのエージェントである。 現在のトレーニングパラダイムは、一般化能力、エラー回復、トレーニング安定性のバランスをとるのに苦労しています。 本稿では,不完全な軌跡から厳密な監視を抽出するためのフレームワークである,ステップアウェアコントラストアライメント(SACA)を紹介する。
  論文  参考訳（メタデータ） (2026-03-10T14:45:50Z)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)
• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• Controllable Diverse Sampling for Diffusion Based Motion Behavior Forecasting [11.106812447960186]
  制御可能拡散軌道(CDT)と呼ばれる新しい軌道生成器を導入する。 CDTは、情報と社会的相互作用をトランスフォーマーに基づく条件記述拡散モデルに統合し、将来の軌跡の予測を導く。 マルチモーダル性を確保するため,直進,右折,左折などの軌道モードを指示する行動トークンを組み込んだ。
  論文  参考訳（メタデータ） (2024-02-06T13:16:54Z)
• A Modular Framework for Reinforcement Learning Optimal Execution [68.8204255655161]
  我々は、最適貿易実行問題への強化学習の適用のためのモジュラーフレームワークを開発する。 このフレームワークは、異なるシミュレーション設定の実装を容易にするために、柔軟性を念頭に設計されている。
  論文  参考訳（メタデータ） (2022-08-11T09:40:42Z)

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。