論文の概要: Downside-Controlled Online Forecast Combination under Delayed and Revised Outcomes

• arxiv url: http://arxiv.org/abs/2609.29096v1
• Date: Thu, 24 Sep 2026 06:24:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.750445
• Title: Downside-Controlled Online Forecast Combination under Delayed and Revised Outcomes
• Title（参考訳）: 遅延および修正結果のオンライン予測の組み合わせについて
• Abstract要約: ポストホック補正は、再訓練できない予測器を調整する。 私たちは下限のコントロールを目指しています - 開始予想よりもそれほど悪くはありません。 我々は,凍結予測器,静的修正器,オンライン修正器を,地平線後に成熟した損失のみを用いて組み合わせた。
• 参考スコア（独自算出の注目度）: 8.112755125499804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Post-hoc correction adjusts a forecaster that cannot be retrained, such as a foundation model, but a correction fitted where errors are stable can hurt where they shift. We aim for downside control: not much worse than the starting forecast. We combine the frozen forecaster, a static corrector and an online corrector on the simplex, using only losses that mature after the horizon. Across seven benchmarks and four base models, two of them foundation models, the worst deterioration over 28 pairs at the main horizon is 0.15% and gains reach 11.5%. On day-ahead load for seven European bidding zones it lowers mean MSE in all seven zones, while single correctors raise mean MSE by up to 102% where the published forecast is most accurate. Three empirical conditions on expert speed, stream length and outcome alignment, each fixed by a documented failure, delimit its scope. Learning from the provisional outcome improves four zones on the settled one; learning on the settled outcome restores all seven.
• Abstract（参考訳）: ポストホック補正は、ファンデーションモデルのような再トレーニングできない予測器を調整するが、エラーが安定している修正は、シフトの場所を損なう可能性がある。 私たちは下限のコントロールを目指しています - 開始予想よりもそれほど悪くはありません。 我々は,凍結予測器,静的修正器,オンライン修正器を,地平線後に成熟した損失のみを用いて組み合わせた。 7つのベンチマークと4つのベースモデルのうち2つは基礎モデルであり、メイン地平線における28対の最悪の劣化は0.15%、ゲインは11.5%に達する。 欧州の7つの入札ゾーンの日頭ロードでは、平均MSEを7つのゾーンすべてで下げる一方、単一の修正者は公表された予測が最も正確である場合、平均MSEを最大102%引き上げる。 専門家のスピード、ストリームの長さ、結果のアライメントに関する3つの経験的な条件は、それぞれ文書化された失敗によって固定され、そのスコープを逸脱する。 暫定的な結果から学ぶことは、解決した結果について4つのゾーンを改善する。

関連論文リスト

• One Patch, Three Roles: What Is Actually Coupled in Autoregressive Time-Series Forecasting? [49.84472730204669]
  凍結した親の軌道は, 軽量な平行出口で観測される未来よりも適合しやすいことを示す。 また、列車選択した周期的歴史方向に沿って補正可能な残射も見出す。 Tangentはこの修正を、ニューラルパラメータやTransformerコールを追加せずに適用する。
  論文  参考訳（メタデータ） (2026-09-20T14:54:35Z)
• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• Online Reinforcement Learning in the Met Office Unified Model through Distributed Model-Agent Coupling [0.0]
  機械リアント補正は、進化するモデル状態に適応した場合のみ、数値的な天気予報を補完することができる。 ランク局所テンソルを通した分散RLエージェントとMet Office (UKMO) Unified Model (UM) を結合する。 本研究では,北緯45.8%と南緯40.8%を含む6つの緯度帯のうち,Z$_500$ MAEが減少することを示す。
  論文  参考訳（メタデータ） (2026-09-02T13:17:10Z)
• A Calibration Audit of Confidence in Feed-Forward 3D Reconstruction [45.496856835431885]
  3D再構成モデルは、下流システムが信頼性信号として読み取る画素当たりの信頼を出力する。 4つの特性に対する信頼度、エラーのランク付けの正確さ、そのレベルが平均的に正しいかどうか、信頼範囲を越えて保持されているかどうか、そしてその間隔が真実をカバーしているかどうか。 信頼度は誤差をよくランク付けするが、予測された不確実性は、トレーニングの正確さではない条件下で読み取られると低すぎる。
  論文  参考訳（メタデータ） (2026-08-30T10:21:34Z)
• SS-ESOAP: Self-Scaled Adaptive Preconditioning for Physics-Informed Learning [70.71795707610961]
  メソッドは、Kronecker幾何に適応したスカラーセマントエネルギー補正でSOAPスタイルのプレコンディショニングを強化する。 メソッドは8つのPDEベンチマークのうち6つで最下位の残差に達する。 4つの代表PDEの3列の$L2$と$H1$エラーは、低い残差と改善された解精度の間のリンクをサポートする。
  論文  参考訳（メタデータ） (2026-08-29T21:34:47Z)
• OptimismBench: Forecasting Bias and the Alignment Effect in Language Model Judgment [0.9821874476902969]
  逆ペアによる方向バイアスを検出するOptimismBenchを導入する。 ポストトレーニングではバイアスの兆候が示され、異なる家族の反対のシフトが示される。 モデル毎の指向性監査のために,10言語で3,870項目をリリースしています。
  論文  参考訳（メタデータ） (2026-07-29T14:38:55Z)
• Iterative Visual Thinking: Teaching Vision-Language Models Spatial Self-Correction through Visual Feedback [0.023227405857540805]
  視覚言語モデル(VLM)は、強い単一ショット空間グラウンドを達成するが、自身の予測を観察し修正するメカニズムは欠如している。 本稿では,モデルが境界ボックスを予測するクローズドループフレームワークであるIterative Visual Thinking (IVT)を提案する。 すべてのトレーニングでは、単一のGPU上で2400のサンプルしか使用せず、空間的な自己補正が、適度なスケールで注入できる学習可能な能力であることを実証している。
  論文  参考訳（メタデータ） (2026-06-11T10:27:29Z)
• Token-Level Inference-Time Alignment for Vision-Language Models [58.41370989069588]
  VLM(Vision-Language Models)は、現代のマルチモーダルインテリジェンスの重要なバックボーンとなっている。 本稿では,基本VLMを凍結し,その分布を近似する報酬モデルをトレーニングする軽量フレームワークTITAを提案する。 推測中、暗黙の選好信号は報酬モデルと目標VLMの対数確率比として抽出され、密集した自己回帰フィードバックが得られる。
  論文  参考訳（メタデータ） (2025-10-20T09:58:03Z)

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。