論文の概要: Halo: Improving forecast accuracy through heteroscedastic estimation

• arxiv url: http://arxiv.org/abs/2609.10589v1
• Date: Sun, 06 Sep 2026 18:03:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.071283
• Title: Halo: Improving forecast accuracy through heteroscedastic estimation
• Title（参考訳）: Halo:異種確率推定による予測精度の向上
• Abstract要約: 本報告では, 時系列外における不連続推定の否定的な結果とは対照的に, 点推定の精度も向上することを示す。 Haloは、既存のディープラーニングのアーキテクチャを再利用する修正であり、インプリート分布のスケールの2番目のアウトプットを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heteroscedastic forecasting, where a network estimates a scale parameter alongside a location parameter, is normally motivated by uncertainty quantification. This paper shows it also improves the point estimate, in contrast to reported negative results for heteroscedastic estimation outside time series. Halo is a modification that reuses an existing deep forecaster's architecture, giving it a second output for the scale of its implied distribution and training it under the matching negative log likelihood. Adapting three state-of-the-art models --- a transformer, a graph network paired with a variational autoencoder, and a single-layer convolutional network --- under both Gaussian and Laplacian losses demonstrates the phenomenon. On the five electricity price markets of a standard forecasting benchmark, Halo improves MSE and MAE in 28 of 30 model-market-metric comparisons, cutting average MSE by 2.6% to 16.5% and average MAE by 1.7% to 11.0%. Two findings emerge: (1) whether the scale estimate comes from a second projection head or from a full parallel network matters far less than whether the network estimates scale, and (2) the improvement holds under the hyperparameters already tuned for the point-estimate baseline, so retuning is optional.
• Abstract（参考訳）: ネットワークが位置パラメータと並んでスケールパラメータを推定するヘテロセダスティック予測は、通常不確実な定量化によって動機付けられる。 本報告では, 時系列外における不連続推定の否定的な結果とは対照的に, 点推定の精度も向上することを示す。 Haloは、既存のDeep forecasterのアーキテクチャを再利用し、インプリート分布のスケールの2番目の出力を与え、一致する負のログ可能性の下でトレーニングする修正である。 3つの最先端モデル – 変圧器,変分オートエンコーダを備えたグラフネットワーク,および単一層畳み込みネットワーク – をガウスとラプラシアの両方の損失の下で適用することは,この現象を実証している。 標準予測ベンチマークの5つの電力価格市場において、Haloは、30のモデル市場メトリック比較のうち28のMSEとMAEを改善し、平均MSEを2.6%から16.5%、平均MAEを1.7%から11.0%削減した。 2つの結果が浮かび上がっており、(1)第2の投影ヘッドからか、または全並列ネットワークからかのスケール推定がネットワークのスケールよりもはるかに少ないか、(2)既に点推定ベースラインに調整済みのハイパーパラメータの下で改善が成り立つため、再調整は任意である。

関連論文リスト

• Uncertainty Quantification for EO Regression Tasks: Building Height, Tree Canopy Height and Above-ground Biomass Estimation [1.7205106391379026]
  ほとんどのディープラーニングモデルは決定論的予測しか生成せず、画素ごとの信頼性を示すものではない。 i)ガウス的仮定の下で平均偏差と標準偏差を共同で予測するガウス的UCと、(ii)非対称およびヘテロセダスティックな誤差分布を捉えるために10位、50位、90位を推定するQuantile UCの2つの相補的なアプローチを提案する。 結果は、どちらのアプローチも決定論的ベンチマークや既存のグローバル製品と一致しているか、あるいは超越しているかを示し、十分に校正され、解釈可能で、運用上有用な信頼推定を提供する。
  論文  参考訳（メタデータ） (2026-07-13T11:18:10Z)
• Improving the sharpness in neural network-based parametric post-processing of ensemble forecasts [0.0]
  提案手法が欧州中距離気象予報センターの2m温度アンサンブル予測に与える影響を示す。 ケーススタディでは、名目中央予測間隔の幅において、相当な相対的な減少(8.2%-12.5%ドル)が確認されている。 確率予測の平均CRPSや予測平均のRMSEには劣化はない。
  論文  参考訳（メタデータ） (2026-06-07T11:57:09Z)
• Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
  フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。 終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。 EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
  論文  参考訳（メタデータ） (2026-05-15T16:11:10Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification [11.88654374102813]
  我々は、textitEMForecasterと呼ばれるディープラーニング(DL)時系列予測フレームワークを開発した。 EMForecasterは、短期と長期の両方の予測地平線にまたがって、さまざまなデータセットで優れたパフォーマンスを実現している。 ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大きく上回り、Transformerアーキテクチャよりも53.97%、ベースラインモデルの平均より38.44%改善している。
  論文  参考訳（メタデータ） (2025-03-31T18:10:08Z)
• Mamba time series forecasting with uncertainty quantification [0.0]
  電力消費のベンチマークでは、マンバの予測平均誤差は約8%である。 トラフィック占有率ベンチマークでは、平均誤差は18%に達する。
  論文  参考訳（メタデータ） (2025-03-13T20:39:38Z)
• A HEART for the environment: Transformer-Based Spatiotemporal Modeling for Air Quality Prediction [0.0]
  ルル環境は高度でスケーラブルな大気汚染予測システムである。 エンコーダとデコーダの畳み込みニューラルネットワークを含み、4つの主要な汚染物質の平均汚染レベルを予測する。 本稿では,予測精度を向上させるための注意機構を備えたニューラルネットワークの強化について検討する。
  論文  参考訳（メタデータ） (2025-02-26T10:54:27Z)
• Accurate and Reliable Predictions with Mutual-Transport Ensemble [46.368395985214875]
  Kullback-Leibler (KL) を用いた共学習補助モデルの提案とクロスエントロピー損失の適応的正則化 MTEは精度と不確実性の両方を同時に向上させることができる。 例えば、CIFAR-100データセットでは、我々のResNet34/50上のMTEメソッドは、従来の最先端の手法に比べて大幅に改善された。
  論文  参考訳（メタデータ） (2024-05-30T03:15:59Z)
• Proximity-Informed Calibration for Deep Neural Networks [49.330703634912915]
  ProCalは、近接性に基づいてサンプル信頼度を調整する理論的保証を持つプラグアンドプレイアルゴリズムである。 ProCalは、近接バイアスに対処し、バランスの取れた、長い、分布シフトの設定の校正を改善するのに有効であることを示す。
  論文  参考訳（メタデータ） (2023-06-07T16:40:51Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Patch-level Gaze Distribution Prediction for Gaze Following [49.93340533068501]
  トレーニング後の視線に対するパッチ分布予測(PDP)手法を提案する。 本モデルでは,アノテーションの差が大きい画像上でのより優れたヒートマップ分布を予測することにより,MSE損失の正則化を図っている。 実験により,ターゲット予測とイン/アウト予測サブタスクのギャップを埋めるモデルが得られた。
  論文  参考訳（メタデータ） (2022-11-20T19:25:15Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。