論文の概要: Accuracy Is Not Service: A Decision-Aware Benchmark for Intermittent-Demand Forecasting

• arxiv url: http://arxiv.org/abs/2609.13840v1
• Date: Sat, 12 Sep 2026 09:51:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.576139
• Title: Accuracy Is Not Service: A Decision-Aware Benchmark for Intermittent-Demand Forecasting
• Title（参考訳）: 正確性は役に立たない: 断続的な予測のための決定を意識したベンチマーク
• Abstract要約: 古典的、断続的、機械学習、ディープラーニング、事前訓練された基礎モデルにまたがる38の予測手法をベンチマークした。 予測精度ランクと注文サービスランクは、20,330の実際のマルチイテムオーダーで評価された手法に対して、工業パネルにおいて-0.555で負の相関関係を持つ。 断続的な需要に対しては、最も低いエラー予測は最高のサービスを提供する必要はない。
• 参考スコア（独自算出の注目度）: 4.1751058176413105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A contract-logistics spare-parts operator is paid on order-level service: an order counts only if every requested line is fulfilled, yet forecasters are selected based on line-level forecast accuracy. This disconnect matters when demand is intermittent and lumpy, histories are short, and lead times span months. We benchmarked 38 forecasting methods spanning classical, intermittent-demand, machine-learning, deep-learning, and pretrained foundation models. A common decision-aware protocol evaluates them on an industrial panel drawn from a live contract and two public datasets. Forecast-accuracy rank and order-service rank are negatively correlated on the industrial panel, at -0.555, across methods evaluated on 20,330 real multi-item orders. Service is more closely associated with the direction of cumulative forecast bias, including over-prediction during zero-demand periods, than with point accuracy. Examining bias in Chronos-2's instance normalization yields a training-free correction that lifts the per-material fill proxy from 77.5% to 92.0% (14.5 percentage points) at the 90% policy target and raises the complete-order fill rate from 54% to 63%. For reproducibility, we release RUF (Regenerate-Until-Fidelity), a method for generating fidelity-certified synthetic panels on which the findings reproduce. For intermittent demand, the lowest-error forecast need not deliver the highest service. Bias direction helps explain this gap, which can be reduced without retraining.
• Abstract（参考訳）: 注文は、要求された全てのラインが満たされた場合にのみカウントされるが、予測者は、ラインレベルの予測精度に基づいて選択される。 需要が断続的で不調な場合、歴史は短く、リードタイムは数ヶ月かかる。 古典的、断続的、機械学習、ディープラーニング、事前訓練された基礎モデルにまたがる38の予測手法をベンチマークした。 一般的な意思決定対応プロトコルは、ライブコントラクトと2つの公開データセットから作成した産業パネルでそれらを評価します。 予測精度ランクと注文サービスランクは、20,330の実際のマルチイテムオーダーで評価された手法に対して、工業パネルにおいて-0.555で負の相関関係を持つ。 サービスは、ポイント精度よりも、ゼロ要求期間中の過剰予測を含む累積予測バイアスの方向とより密接に関連している。 クロノス2のインスタンスの正規化のバイアスを調べると、材料ごとのフィリングプロキシを77.5%から92.0%(14.5ポイント)まで、90%の政策目標で引き上げ、全注文フィリングレートを54%から63%に引き上げる訓練不要の修正が得られる。 再現性向上のため,本研究では, 再現性向上のための RUF (Regenerate-Until-Fidelity, Regenerate-Fidelity) を作成した。 断続的な需要のために、最も低いエラー予測は最高のサービスを提供する必要はない。 バイアスの方向は、このギャップを説明するのに役立つ。

関連論文リスト

• Hidden in Rounds: Predicting the Time Cost of 802.11 Contention in Federated Learning [2.313256061695585]
  IEEE802.11上のフェデレートラーニングは、モデル更新を送信するクライアント間で無線チャンネルを共有している。 ns-3を用いて、異なるクライアント密度のフレーム配信比と飽和スループットを測定し、負荷を提示する。 別個のFedAvgトレーナーは、フレーム配信比率を更新完了確率の1次プロキシとして使用し、通信時間を推定するために方程式を使用する。
  論文  参考訳（メタデータ） (2026-09-11T14:30:26Z)
• Wnuan: Staged Post-Training for Question Answering over Proprietary Enterprise Knowledge [7.4253318607352155]
  Wnuanは文書からタスク指向の監視を構築する3段階のパイプラインである。 707-questionのWnuanBenchでは、32B経路が52.76%から52.76%に上昇し、SFT後80.06%、RL後91.51%に適応した。
  論文  参考訳（メタデータ） (2026-08-03T08:11:33Z)
• 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)
• ReacTOD: Bounded Neuro-Symbolic Agentic NLU for Zero-Shot Dialogue State Tracking [2.2573512203799626]
  本稿では,NLUを独立したツールコールとして再構成する有界神経シンボルアーキテクチャであるReacTODを提案する。 有界ReActループは反復自己補正を可能にし、MultiWOZ上のシングルパス推論よりも最大9.3ポイント精度を向上させる。
  論文  参考訳（メタデータ） (2026-05-18T20:06:04Z)
• Ask Early, Ask Late, Ask Right: When Does Clarification Timing Matter for Long-Horizon Agents? [0.7199239000118145]
  本稿では,エージェントの軌道の制御点における接地真実の明確化を提供する強制注入フレームワークを提案する。 明確化の価値は、どの情報が欠落しているかに大きく依存している。 300のセッションを補完する研究により、現在のフロンティアモデルは経験的に最適なウィンドウ内では問わないことが明らかになった。
  論文  参考訳（メタデータ） (2026-05-08T16:08:03Z)
• Consistency Checks for Language Model Forecasters [54.62507816753479]
  予測器の性能を,論理的に異なる質問に対する予測の整合性の観点から測定する。 我々は,一連の基本質問を生成し,これらの質問から整合性チェックをインスタンス化し,予測者の予測を導き,予測の整合性を測定する自動評価システムを構築した。
  論文  参考訳（メタデータ） (2024-12-24T16:51:35Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Making forecasting self-learning and adaptive -- Pilot forecasting rack [0.0]
  本稿では,このような商品カテゴリーの予測精度向上を支援するための,積極的なパイロット・エクササイズに基づく本研究の成果について述べる。 我々は,サンプル製品カテゴリであるKnitwearに基づいて,予測精度を向上させるアルゴリズム介入の機会を評価した。 その結果,ニットウェア製品カテゴリーの需要予測の精度は20%向上し,全体の精度は80%向上した。
  論文  参考訳（メタデータ） (2023-06-12T03:26:11Z)
• Debiased Fine-Tuning for Vision-language Models by Prompt Regularization [56.48290708901531]
  本稿では,Prompt Regularization(ProReg)と呼ばれる下流タスクにおける大規模視覚事前訓練モデルの微調整のための新しいパラダイムを提案する。 ProRegは、事前訓練されたモデルに微調整を正規化するよう促すことで予測を使用する。 本稿では,従来の微調整,ゼロショットプロンプト,プロンプトチューニング,その他の最先端手法と比較して,ProRegの性能が一貫して高いことを示す。
  論文  参考訳（メタデータ） (2023-01-29T11:53:55Z)
• Approaching sales forecasting using recurrent neural networks and transformers [57.43518732385863]
  深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。 実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。 提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
  論文  参考訳（メタデータ） (2022-04-16T12:03:52Z)

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。