論文の概要: Generalized Gibbs Ensemble Weighting for Forecast Combination

• arxiv url: http://arxiv.org/abs/2608.28116v1
• Date: Fri, 28 Aug 2026 09:27:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.263637
• Title: Generalized Gibbs Ensemble Weighting for Forecast Combination
• Title（参考訳）: 予測結合のための一般化ギブズアンサンブル重み付け
• Authors: Prasen R. Nuthanakaluva, Nava K. Gaddam,
• Abstract要約: GGEW(Generalized Gibbs Ensemble Weighting)は、予測モデルを専門家として扱い、アンサンブル重量を割り当てる。 GGEWは、Stable Gibbs weighting、Directional Gibbs-NCL、Symmetric Gibbs-NCLなど、一連の関連手法を製造している。 我々は、モナッシュ交通時間、電気時間、ソーラーウィークリーのデータセットを用いて、公式のM4コンペティション予測と外部転がりオリジン展開実験について、GEWを評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecast combination is a reliable way to improve predictive performance when several forecasting models are available. Simple aggregation rules such as the mean, median, trimmed mean, inverse-loss weighting, and exponential weighting are often strong baselines, but their relative performance can vary across datasets, forecast horizons, deployment settings, and levels of disagreement among base forecasters. We develop Generalized Gibbs Ensemble Weighting (GGEW), a probabilistic framework that treats forecasting models as experts and assigns ensemble weights using a Gibbs-style exponential transformation of normalized predictive loss. The framework extends this basic weighting rule through numerical stabilization, diversity-aware score corrections, and online hyperparameter adaptation. GGEW produces a family of related methods, including Stable Gibbs weighting, Directional Gibbs-NCL, and Symmetric Gibbs-NCL. These variants share one core algorithm and differ only in the score used inside the exponential weighting rule. For sequential deployment, we adopt a UCB-style bandit mechanism, called online Local-UCB, to adapt the learning rate, diversity strength, and Gibbs variant without evaluating the full hyperparameter grid at every prediction step. We evaluate GGEW on official M4 competition forecast submissions and external rolling-origin deployment experiments using Monash Traffic Hourly, Electricity Hourly, and Solar Weekly datasets. Results suggest that Gibbs-style adaptive weighting is a useful and competitive tool across several benchmark settings, although its relative performance varies across datasets, forecast horizons, deployment protocols, and forecast disagreement groups. The contribution is not a universal dominance claim, but a framework and empirical study motivating further investigation of when adaptive Gibbs-style forecast combination is useful.
• Abstract（参考訳）: 予測の組み合わせは、いくつかの予測モデルが利用できる場合に予測性能を改善するための信頼性の高い方法である。 平均、中央値、トリミング平均、逆損失重み付け、指数重み付けといった単純なアグリゲーションルールは、しばしば強いベースラインであるが、それらの相対的なパフォーマンスはデータセット、予測地平線、配置設定、ベース予測者間の不一致のレベルによって異なる。 我々は,予測モデルを専門家として扱う確率的フレームワークである一般化ギブズ・アンサンブル・ウェイトリング(GGEW)を開発し,正規化予測損失のギブズ型指数変換を用いてアンサンブル・ウェイトを割り当てる。 このフレームワークは、数値安定化、多様性を考慮したスコア修正、オンラインハイパーパラメータ適応を通じて、この基本的な重み付けルールを拡張している。 GGEWは、Stable Gibbs weighting、Directional Gibbs-NCL、Symmetric Gibbs-NCLなど、一連の関連手法を製造している。 これらの変種は1つのコアアルゴリズムを共有し、指数重み付け規則の中で用いられるスコアのみが異なる。 逐次展開には、オンラインローカルUCBと呼ばれるUCBスタイルのバンディット機構を採用し、予測ステップ毎に全ハイパーパラメータグリッドを評価することなく、学習率、多様性強度、ギブズ変種を適応させる。 我々は、モナッシュ交通時間、電気時間、ソーラーウィークリーのデータセットを用いて、公式のM4コンペティション予測と外部転がりオリジン展開実験について、GEWを評価した。 結果は、Gibbsスタイルの適応重み付けは、データセット、予測水平線、デプロイメントプロトコル、予測不一致グループによって相対的なパフォーマンスが異なり、いくつかのベンチマーク設定で有用で競争力のあるツールであることが示唆されている。 この貢献は普遍的な支配的主張ではなく、アダプティブギブススタイルの予測の組み合わせが有用であるかどうかのさらなる調査を動機とする枠組みと実証的研究である。

関連論文リスト

• Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
  Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。 EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。 本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
  論文  参考訳（メタデータ） (2026-08-24T15:06:18Z)
• Balanced Aggregation: Understanding and Fixing Aggregation Bias in GRPO [70.38763678943648]
  検証可能な報酬(RLVR)による強化学習は、大規模言語モデルにおける推論とコード生成を改善するための中心的なパラダイムとなっている。 標準的なGRPOはシーケンスアグリゲーションを使用し、最近の研究はトークンアグリゲーションをより良い代替手段として提唱している。 トークンアグリゲーションは符号長結合を導入し、シーケンスアグリゲーションは暗黙的にダウンウェイトを延長する。
  論文  参考訳（メタデータ） (2026-04-14T09:48:46Z)
• Revisiting Chebyshev Polynomial and Anisotropic RBF Models for Tabular Regression [0.7734726150561086]
  チェビシェフ回帰器や放射基底関数(RBF)ネットワークのような滑らかな基底モデルが数値解析においてよく確立されている。 アプリケーションドメインによって編成された55の回帰データセットにまたがって、モデルをベンチマークできるかどうかを問う。
  論文  参考訳（メタデータ） (2026-02-25T21:34:52Z)
• Locally Adaptive Conformal Inference for Operator Models [5.78532405664684]
  演算子モデルに対して関数値の局所適応予測セットを生成するための分散フリーフレームワークであるLocal Sliced Conformal Inference (LSCI)を紹介する。 我々は有限サンプルの有効性を証明し、局所交換性の下でのカバレッジギャップにデータ依存の上限を導出する。 偏りのある予測や分布外雑音に対する空間を実証的に実証する。
  論文  参考訳（メタデータ） (2025-07-28T16:37:56Z)
• Improving Coverage in Combined Prediction Sets with Weighted p-values [43.193848309099614]
  コンフォーマル予測は、有効な予測セットで点予測を増大させることにより、機械学習モデルの不確実性を定量化する。 本稿では,各予測セットに重み付けを割り当てる重み付け集約のためのフレームワークを提案する。 筆者らのフレームワークは,有限サンプルの有効性を維持する重み付き集約の手順を導出するため,データ依存重みに一般化する。
  論文  参考訳（メタデータ） (2025-05-17T01:51:28Z)
• Boosted Control Functions: Distribution generalization and invariance in confounded models [10.503777692702952]
  非線形で非同定可能な構造関数が存在する場合でも分布の一般化を可能にする不変性という強い概念を導入する。 フレキシブルな機械学習手法を用いて,ブースト制御関数(BCF)を推定する制御Twicingアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-09T15:43:46Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。