論文の概要: Conformal Adversarial Generative Ensemble

• arxiv url: http://arxiv.org/abs/2609.38196v1
• Date: Fri, 18 Sep 2026 09:19:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.301504
• Title: Conformal Adversarial Generative Ensemble
• Title（参考訳）: Conformal Adversarial Generative Ensemble
• Abstract要約: 本稿では,予測信頼性と精度を高めるために,CAGE(Conformal Adversarial Generative Ensemble)を導入する。 CAGEは初期予測を生成するために複数の生成モデルを使用し、識別コンポーネントによって評価される。 ニュージーランドの牛乳収集から得られた時系列データと、公共のフロイドモンキーポックスデータセットから得られた世界保健データの実証的および統計的分析により、CAGEが従来のアンサンブル法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 1.4951888083382492
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate time series forecasting is critical across various domains, yet traditional ensemble methods often suffer from the disproportionate influence of extreme forecasts. We introduce the Conformal Adversarial Generative Ensemble (CAGE), a novel framework that combines generative modeling, adversarial discrimination, and conformal prediction to enhance forecast reliability and accuracy. CAGE employs multiple generative models to produce initial forecasts, which are then evaluated by a discriminative component using conformal prediction techniques. P-values derived from nonconformity scores help dynamically adjust model weights, minimizing the impact of unreliable forecasts. This approach ensures that only the most credible predictions contribute to the final ensemble output. Our empirical and statistical analyses of time series data from New Zealand's milk collection and the global health data from the public owid-monkeypox dataset show that the CAGE outperforms traditional ensemble methods, especially in handling outliers and noisy data. By incorporating conformal prediction, CAGE delivers accurate and statistically rigorous forecasts, enhancing decision-making. We have demonstrated performance on two different datasets deliberately to showcase that the proposed method offers a versatile solution potentially applicable across finance, weather, and supply chain management.
• Abstract（参考訳）: 正確な時系列予測は様々な領域で重要であるが、伝統的なアンサンブル法は極端な予測の不均等な影響に悩まされることが多い。 本稿では、予測信頼性と精度を高めるために、生成モデル、逆判別、共形予測を組み合わせた新しいフレームワークであるCAGEを紹介する。 CAGEは、初期予測を生成するために複数の生成モデルを使用し、コンフォメーション予測技術を用いて識別成分によって評価される。 非整合性スコアから導かれるP値は、モデルの重みを動的に調整し、信頼できない予測の影響を最小限にする。 このアプローチは、最も信頼できる予測だけが最終的なアンサンブル出力に寄与することを保証します。 ニュージーランドの牛乳収集データと公的なフロイドモンキーポックスデータセットのグローバルヘルスデータから得られた時系列データの実証的・統計的分析により、CAGEは従来のアンサンブル法、特に外れ値やノイズデータに優れていたことが判明した。 コンフォメーション予測を取り入れることで、CAGEは正確で統計的に厳格な予測を提供し、意思決定を強化する。 提案手法は,ファイナンス,天気,サプライチェーン管理に応用可能な,多目的なソリューションを提供することを意図的に示すために,2つの異なるデータセットのパフォーマンスを実証した。

関連論文リスト

• Proper Scoring Rule-based Diffusion for Probabilistic Weather Forecasting [59.015610520217734]
  我々は,コンテキストとその劣化バージョンから,同じ将来状態を予測できる補助的条件記述タスクを導入する。 推測時には、予測器は、完全に破損したエンドポイントにおいて、単一の前方通過で各アンサンブル部材を生成することができる。
  論文  参考訳（メタデータ） (2026-09-29T22:47:10Z)
• Time Series Forecastability Measures [4.136441456697068]
  本稿では,モデル開発に先立って時系列の予測可能性を定量化する2つの指標を提案する。 スペクトル予測可能性スコアは、時系列における周波数成分の強度と規則性を評価する。 Lyapunov指数は、データを生成するシステムのカオスと安定性を定量化する。
  論文  参考訳（メタデータ） (2025-07-17T22:23:51Z)
• Improving Time Series Forecasting via Instance-aware Post-hoc Revision [44.90322487625981]
  時系列予測は、様々な現実世界の応用において重要な役割を果たす。 近年の手法は、先進的帰納バイアスとトレーニング戦略を取り入れることで、顕著な精度を実現している。 本稿では,予測性能を向上させるためのモデルに依存しないフレームワークであるPIRを提案する。
  論文  参考訳（メタデータ） (2025-05-29T15:56:41Z)
• Deconfounding Time Series Forecasting [1.5967186772129907]
  時系列予測は様々な領域において重要な課題であり、正確な予測は情報的な意思決定を促進する。 従来の予測手法は、しばしば将来の結果を予測するために変数の現在の観測に依存している。 本稿では,過去のデータから得られた潜在的共同設立者の表現を取り入れた予測手法を提案する。
  論文  参考訳（メタデータ） (2024-10-27T12:45:42Z)
• Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
  本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。 これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
  論文  参考訳（メタデータ） (2024-02-23T06:09:45Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• LoMEF: A Framework to Produce Local Explanations for Global Model Time Series Forecasts [2.3096751699592137]
  複数の時系列にまたがってトレーニングされたグローバル予測モデル(GFM)は、多くの予測競合や実世界のアプリケーションにおいて優れた結果を示している。 しかしながら、GFMは通常、特に特定の時系列に対する解釈可能性に欠ける。 本稿では,GFMからの予測を説明するために,局所モデルに依存しない新しい解法を提案する。
  論文  参考訳（メタデータ） (2021-11-13T00:17:52Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)

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。