論文の概要: CHAIN: Calibrated LLM Forecasting via Causal-Temporal Hypergraph Inference
- arxiv url: http://arxiv.org/abs/2609.36689v1
- Date: Tue, 29 Sep 2026 04:30:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.184687
- Title: CHAIN: Calibrated LLM Forecasting via Causal-Temporal Hypergraph Inference
- Title（参考訳）: CHAIN:Causal-Temporal Hypergraph推論によるLCM予測の校正
- Abstract要約: CHAINは、各ステージにおけるバイアスを軽減するためのステージ固有のメカニズムを設計する。
CHAINは、期待キャリブレーション誤差、ブライアスコア、精度で既存の手法より優れている。
- 参考スコア（独自算出の注目度）: 17.75643879600889
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models have achieved significant progress in event forecasting, yet their probability outputs exhibit systematic calibration bias that varies heterogeneously across different domains and question types, undermining the trustworthiness of probabilistic outputs for decision-making under uncertainty. However, existing calibration methods typically correct probability outputs after prediction is complete, without modeling the structural sources of bias within the prediction process itself. To address this challenge, we decompose probabilistic prediction over causal-temporal hypergraphs into three stages, evidence weighting, evidence aggregation, and source fusion, and propose CHAIN, which designs stage-specific mechanisms to mitigate bias at each stage: (i) modulating the temporal decay function by causal topological distance, (ii) aggregating approximately independent causal chains via Noisy-OR after direction-aware deduplication, and (iii) driving adaptive fusion by causal coverage and directional balance. Experimental results on cross-domain forecasting benchmarks show CHAIN outperforms existing methods in expected calibration error, Brier score, and accuracy. Our project is available at https://github.com/QwenQKing/Chain.
- Abstract（参考訳）: 大規模言語モデルは、事象予測において顕著な進歩を遂げているが、その確率出力は、異なる領域や質問タイプで不均一に変化する体系的なキャリブレーションバイアスを示し、不確実な意思決定における確率的アウトプットの信頼性を損なう。
しかし、既存のキャリブレーション法は予測プロセス自体の構造的バイアス源をモデル化することなく、予測が完了した後の確率出力を補正するのが一般的である。
この課題に対処するために、我々は因果的ハイパーグラフの確率的予測を、エビデンス重み付け、エビデンスアグリゲーション、ソース融合の3段階に分解し、各段階におけるバイアスを軽減するためのステージ固有のメカニズムを設計するCHAINを提案する。
(i)因果的位相距離による時間減衰関数の変調
二 方向認識重複後のノイズORを介して、ほぼ独立した因果連鎖を集約すること。
三 因果被覆及び方向性バランスによる適応核融合の推進
クロスドメイン予測ベンチマークの実験結果から、CHAINは予測キャリブレーション誤差、ブライアスコア、精度で既存の手法よりも優れていた。
私たちのプロジェクトはhttps://github.com/QwenQKing/Chain.comで公開されています。
関連論文リスト
- Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection [1.8995711908407733]
本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。
ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。
実験により,提案手法が最先端検出性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-20T09:24:28Z) - Trustworthy predictive distributions for rare events via diagnostic transport maps [3.2309187092212936]
予測系が完全な予測分布を提供するとしても、結果はすべての x と y に対して校正されることはめったにない。
本稿では,与えられた予測分布を,有用だが潜在的に不特定なベースモデルとして扱う。
そこで我々は,キャリブレーションデータの真の条件分布に合うように,ベースモデルの確率をどのように調整すべきかを定量化する,診断トランスポートマップ,共依存確率-確率マップを導入する。
論文 参考訳（メタデータ） (2026-03-11T18:55:34Z) - Probabilistic Scores of Classifiers, Calibration is not Enough [0.32985979395737786]
二項分類タスクでは、確率的予測の正確な表現が実世界の様々な応用に不可欠である。
本研究では,予測スコアと真の確率分布の一致を優先するアプローチを強調した。
その結果,従来の校正基準の限界が明らかとなり,重要な意思決定のための予測モデルの信頼性を損なう可能性が示唆された。
論文 参考訳（メタデータ） (2024-08-06T19:53:00Z) - SMURF-THP: Score Matching-based UnceRtainty quantiFication for
Transformer Hawkes Process [76.98721879039559]
SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。
具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。
我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
論文 参考訳（メタデータ） (2023-10-25T03:33:45Z) - Invariant Probabilistic Prediction [45.90606906307022]
任意の分布シフトは、一般に不変かつ頑健な確率的予測を認めないことを示す。
Invariant probabilistic predictions called IPP, and study the consistency of the underlying parameters。
論文 参考訳（メタデータ） (2023-09-18T18:50:24Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳（メタデータ） (2021-09-07T09:38:24Z) - Predicting with Confidence on Unseen Distributions [90.68414180153897]
ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。
分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。
具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
論文 参考訳（メタデータ） (2021-07-07T15:50:18Z) - Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
本稿では、因果的観点からの包括的ミニマックス分析について述べる。
最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。
本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
論文 参考訳（メタデータ） (2021-07-05T09:07:29Z) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳（メタデータ） (2020-11-04T10:00:27Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2020-06-08T07:01:38Z)
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。