論文の概要: Scentree: a framework for generating scenario trees for multistage stochastic programming

• arxiv url: http://arxiv.org/abs/2609.21495v1
• Date: Fri, 18 Sep 2026 08:48:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.936194
• Title: Scentree: a framework for generating scenario trees for multistage stochastic programming
• Title（参考訳）: Scentree: 多段階確率プログラミングのためのシナリオツリーを生成するフレームワーク
• Abstract要約: scentreeは、シナリオファンを構築するためのオープンソースのPythonパッケージで、歴史的データからマルチステージプログラミングのためのシナリオツリーである。 Scentreeはデータ分散の前提に頼らず、シナリオツリーを作成するのに必要な統計的専門知識を減らしている。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present scentree, an open-source Python package for constructing a scenario fan and a scenario tree for multistage stochastic programming from historical data. It combines machine learning and multivariate time series models to obtain a scenario fan that captures inter-stage dependencies in the stochastic processes. This scenario fan is subsequently transformed into a scenario tree suitable for multistage stochastic optimization, providing a flexible and extensible framework for uncertainty modeling. A key contribution is the automation of the complete workflow, including model selection, parameter estimation, scenario fan generation, and scenario tree construction. Scentree does not rely on assumptions about the underlying data distribution, reducing the statistical expertise required to produce a scenario tree. Furthermore, it is agnostic to the specific multistage stochastic problem to be solved.
• Abstract（参考訳）: 我々は、シナリオファンを構築するためのオープンソースのPythonパッケージである scentree と、歴史的データから多段階確率プログラミングのためのシナリオツリーを提示する。 機械学習と多変量時系列モデルを組み合わせて、確率過程におけるステージ間の依存関係をキャプチャするシナリオファンを得る。 このシナリオファンはその後、多段階確率最適化に適したシナリオツリーに変換され、不確実性モデリングのための柔軟で拡張可能なフレームワークを提供する。 重要な貢献は、モデル選択、パラメータ推定、シナリオファン生成、シナリオツリーの構築を含む、完全なワークフローの自動化である。 Scentreeはデータ分散の前提に頼らず、シナリオツリーを作成するのに必要な統計的専門知識を減らしている。 さらに、解決すべき特定の多段階確率問題に非依存である。

関連論文リスト

• Deep Multivariate Models with Parametric Conditionals [47.20275199636936]
  確率変数の不均一な集合に対する深層多変量モデルについて考察する。 本稿では,各変数群に対する条件付き確率分布を用いて,共同確率分布を表現することを提案する。 それらの学習は、その制限分布のデータ確率を最大化することにより、パラメトリドマルコフ連鎖カーネルのトレーニングとしてアプローチすることができる。
  論文  参考訳（メタデータ） (2026-02-02T11:01:48Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• Numerically Stable Sparse Gaussian Processes via Minimum Separation using Cover Trees [57.67528738886731]
  誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。 地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
  論文  参考訳（メタデータ） (2022-10-14T15:20:17Z)
• Retrieve-and-Fill for Scenario-based Task-Oriented Semantic Parsing [110.4684789199555]
  シナリオベースのセマンティックパーシングを導入し、最初に発話の「scenario」を曖昧にする必要がある元のタスクの変種を紹介します。 この定式化により、タスクの粗くきめ細かな側面を分離することが可能となり、それぞれがオフザシェルフニューラルネットワークモジュールで解決される。 私たちのモデルはモジュール化され、差別化可能で、解釈可能で、シナリオから余分な監督を得られるようになります。
  論文  参考訳（メタデータ） (2022-02-02T08:00:21Z)
• MECATS: Mixture-of-Experts for Quantile Forecasts of Aggregated Time Series [11.826510794042548]
  我々はtexttMECATS という異種の専門家フレームワークを混合して導入する。 集約階層を通じて関連付けられた時系列の集合の値を同時に予測する。 異なる種類の予測モデルを個別の専門家として使用することで、各モデルの形式を対応する時系列の性質に合わせて調整することができる。
  論文  参考訳（メタデータ） (2021-12-22T05:05:30Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• The mbsts package: Multivariate Bayesian Structural Time Series Models in R [2.8935588665357086]
  本稿では,MBSTSモデリングにおけるRパッケージmbstsの使い方を示す。 MBSTSモデルには幅広い応用があり、特徴選択、時系列予測、現在放送、因果的影響の推測などに最適である。
  論文  参考訳（メタデータ） (2021-06-26T15:28:38Z)
• Temporal Latent Auto-Encoder: A Method for Probabilistic Multivariate Time Series Forecasting [4.131842516813833]
  時間系列の非線形ファクタリゼーションを可能にする新しい時間的潜時オートエンコーダ法を提案する。 確率的潜時空間モデルにより、入力系列の複雑な分布はデコーダを介してモデル化される。 我々のモデルは、多くの一般的な多変量データセット上で最先端のパフォーマンスを達成し、いくつかの標準メトリクスに対して最大50%のゲインを得られることがある。
  論文  参考訳（メタデータ） (2021-01-25T22:29:40Z)
• SeqROCTM: A Matlab toolbox for the analysis of Sequence of Random Objects driven by Context Tree Models [0.0]
  文脈木モデルによって駆動されるランダムなオブジェクトのテキスト系列という新しいプロセスのクラスが、聴覚統計的学習の文脈においてそのような関係をモデル化するために導入された。 本稿では,新しいプロセスのクラスと3つのモデル選択手順を実装したMatchlabツールボックス(SeqROCTM)を紹介する。
  論文  参考訳（メタデータ） (2020-09-08T15:28:32Z)
• Multi-layer Optimizations for End-to-End Data Analytics [71.05611866288196]
  代替アプローチを実現するフレームワークであるIFAQ(Iterative Functional Aggregate Queries)を紹介する。 IFAQは、特徴抽出クエリと学習タスクを、IFAQのドメイン固有言語で与えられた1つのプログラムとして扱う。 IFAQ の Scala 実装が mlpack,Scikit,特殊化を数桁で上回り,線形回帰木モデルや回帰木モデルを複数の関係データセット上で処理可能であることを示す。
  論文  参考訳（メタデータ） (2020-01-10T16:14:44Z)

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。