論文の概要: Beyond a Universal Forecasting Selector: Demand-Conditioned Model Selection across Demand Patterns and Horizons

• arxiv url: http://arxiv.org/abs/2609.04425v1
• Date: Thu, 03 Sep 2026 19:46:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.806241
• Title: Beyond a Universal Forecasting Selector: Demand-Conditioned Model Selection across Demand Patterns and Horizons
• Title（参考訳）: ユニバーサル予測セレクタを超えて:需要パターンとホライズンを越えた需要条件付きモデル選択
• Abstract要約: 本研究では,セレクタ自体が予測プロセスのコンテキスト依存的なコンポーネントとして扱われるべきかどうかを検討する。 最適化された予測モデル24、9つのデータセット、3つのトレーニングテストパーティション、1から12サイクルの地平線に対して、5つの選択メカニズムが比較される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Forecasting-model selection remains difficult in heterogeneous demand because the most suitable decision rule may vary with demand structure, data availability, and forecasting horizon. This study examines whether the selector itself should be treated as a context-dependent component of the forecasting process. Five selection mechanisms - RMSSE, ERA, OWA, CCG-AHSC, and CCG-AHSCD - are compared across 24 optimized forecasting models, nine datasets, three training-testing partitions, and horizons from 1 to 12 cycles. Selector performance is evaluated ex post using Global Relative Accuracy (GRA), statistical tests, and a best-attainable-model reference. No selector dominates across all conditions. CCG-AHSC and CCG-AHSCD are more competitive for Smooth demand and several Erratic configurations, whereas OWA and ERA perform better in Intermittent and Lumpy settings. Selector suitability also changes with historical data availability and horizon, supporting a context-dependent rather than universal approach to forecasting-model selection.
• Abstract（参考訳）: 予測モデルの選択は、需要構造、データ可用性、予測地平線によって最も適切な決定規則が異なるため、不均一な需要において難しいままである。 本研究では,セレクタ自体が予測プロセスのコンテキスト依存的なコンポーネントとして扱われるべきかどうかを検討する。 RMSSE, ERA, OWA, CCG-AHSC, CCG-AHSCDの5つの選択メカニズムは、24の最適化された予測モデル、9つのデータセット、3つのトレーニングテストパーティション、1から12サイクルの地平線で比較される。 セレクタ性能は,GRA(Global Relative Accuracy),統計テスト,最良許容モデル参照を用いて評価した。 全ての条件でセレクタが支配的ではない。 CCG-AHSCとCCG-AHSCDは、Smoothの需要といくつかのEraticの構成に対して競争力があり、OWAとERAは、IntermittentとLumpyの設定においてより優れた性能を発揮する。 選択者の適合性はまた、履歴データの可用性と水平性によって変化し、予測モデル選択に対する普遍的なアプローチではなく、コンテキスト依存をサポートする。

関連論文リスト

• Preference Data Selection for Mitigating the Alignment Tax in Large Language Models [52.18310687523229]
  BALIGNは、アライメント効率を最適化しながら破滅的な忘れを緩和するバランスのとれたデータ選択戦略である。 3つの重要なデータ中心の機能を統一された複合リスクスコアに集約することにより、BALIGNは、ハイリスクな選好サンプルを体系的にフィルタリングする。 標準的な人間の嗜好データセットの実験では、BALIGNはアライメントゲインを損なうことなく基礎的能力を強く保持している。
  論文  参考訳（メタデータ） (2026-08-25T07:58:42Z)
• BridgeAlign: Bridging Preference Alignment for Humanities and Social Sciences [52.67755020436915]
  我々は、幅広い社会科学分野のための最初の好み調整パイプラインとして、BridgeAlignを提案する。 我々は、BridgeAlignが17のベンチマークで11の強いベースラインに対して最高の平均を達成することができることを示した。
  論文  参考訳（メタデータ） (2026-07-29T18:22:50Z)
• Robust Conformalized Selection with Noisy Responses [23.306273801765297]
  コンフォーマル化された選択は、大規模なデータセットから高品質な候補を選択するために広く適用されてきた。 我々は、上記のタスクを、真の予測ラベルを持つ候補を選択するか、特定の値を超える応答を持つものとして定式化する。 本稿では,汎用ラベル汚染下での有効なFDR制御による選択分類のための統合フレームワークであるRobust Conformalized Selection (RCS)を提案する。
  論文  参考訳（メタデータ） (2026-07-25T01:51:46Z)
• Benchmarking on Tasks That Matter: Dataset Selection for Preserving Model Rankings [0.9870126088784975]
  機械学習モデルのベンチマークには、多くのデータセットが含まれることが多い。 効率性のためには、代わりに、小さくて代表的なデータセットの評価が好ましい。 本稿では,データセットのサブセットを選択する作業を行うためのフレームワークを紹介し,その選択戦略がグローバルモデルランキングをいかに保持するかを評価する。
  論文  参考訳（メタデータ） (2026-06-26T11:50:22Z)
• Selective Ensemble Based on Preference-Directed Multi-Objective Bandits [90.75513823660775]
  我々は、部分的に指定された線形選好の下で逐次決定問題を定式化する。 次に、嗜好指向の高信頼度境界(PrefUCB)アルゴリズムを提案する。 大規模な事前学習型モデル選択アンサンブルタスクと,機関委任下でのオンラインアセットアロケーションの実験により,本手法が検証された。
  論文  参考訳（メタデータ） (2026-06-20T07:52:46Z)
• An Adaptive Model Selection Framework for Demand Forecasting under Horizon-Induced Degradation to Support Business Strategy and Operations [0.479839492673697]
  構造的需要断続性、高い可変性、多段階計画の地平線によって特徴づけられるビジネス環境は、堅牢な再現可能なモデル選択機構を必要とする。 本研究では、水平線対応のランキング不安定性に対処するため、AHSIV(Adaptive Hybrid Selector for Intermittency and Variability)を提案する。
  論文  参考訳（メタデータ） (2026-02-15T00:24:46Z)
• Robust Preference Alignment via Directional Neighborhood Consensus [13.313830197011983]
  本稿では,指向性近傍のコンセンサスを利用したポストホックなトレーニングフリー手法であるRobust Preference Selection(RPS)を紹介する。 RPSは、関連する好みの地域からの複数の応答をサンプリングし、優れた候補プールを作成する。 本研究は, 嗜好整合モデルの信頼性を高めるための, 実用的, 理論的に基礎的なソリューションを提案する。
  論文  参考訳（メタデータ） (2025-10-23T12:39:20Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• ACS: An interactive framework for conformal selection [4.895800842460756]
  モデル自由選択のための対話型フレームワークである適応型コンフォメーションセレクション(ACS)を提案する。 ACSフレームワークでは、データの一部を再利用して、選択能力を高め、データの探索中に意思決定を行い、新たな情報や好みを取り入れることができます。 ACSの有効性は、大規模言語モデル(LLM)の展開と薬物発見における広範な数値シミュレーションと実データ応用によって実証される。
  論文  参考訳（メタデータ） (2025-07-21T17:33:15Z)
• Clustering and Ranking: Diversity-preserved Instruction Selection through Expert-aligned Quality Estimation [56.13803674092712]
  本稿では,産業に優しく,専門家に順応し,多様性に配慮した指導データ選択手法を提案する:クラスタリングとランキング(CaR) CaRは2段階のプロセスを採用している: まず、専門家の好みに合わせた高精度(84.25%)のスコアリングモデルを使用して、命令ペアをランク付けする。 我々の実験では、CaRはAlpacaのITデータのわずか1.96%を効率よく選択したが、結果のAlpaCaRモデルはGPT-4の評価において平均32.1%の精度でAlpacaのパフォーマンスを上回った。
  論文  参考訳（メタデータ） (2024-02-28T09:27:29Z)
• Contextual Active Model Selection [10.925932167673764]
  本稿では,ラベル付けコストを最小限に抑えつつ,事前学習したモデルを積極的に選択する手法を提案する。 目的は、ラベル要求を制限しながら予測を行う最良のモデルを適応的に選択することである。 2つの新しいコンポーネントに依存した文脈的アクティブモデル選択アルゴリズムであるCAMSを提案する。
  論文  参考訳（メタデータ） (2022-07-13T08:22:22Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)

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。