論文の概要: The Nixtlaverse: An Open-Source Ecosystem for Forecasting

• arxiv url: http://arxiv.org/abs/2609.39741v1
• Date: Wed, 30 Sep 2026 13:43:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.854316
• Title: The Nixtlaverse: An Open-Source Ecosystem for Forecasting
• Title（参考訳）: Nixtlaverse: 予測のためのオープンソースのエコシステム
• Abstract要約: 時系列予測のためのオープンソースPythonライブラリのエコシステムであるNixtlaverseを紹介します。 すべてのライブラリは、同じ長めのパネルデータとキー付き予測出力を共有し、すべてのモデルファミリは独自の実装を保持します。 パブリックなM5コンペティションデータにおいて,この設計を3つのユースケースで実演する。
• 参考スコア（独自算出の注目度）: 2.710629475172995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large forecasting applications often combine statistical, machine-learning, and neural models. These families solve the same problem but differ in fitted state, training procedures, and how they parallelize work. Forecasting software must therefore either hide these differences behind a single estimator interface, or keep the families in separate packages, forcing users to rewrite data preparation and evaluation for every package. We present the Nixtlaverse, an ecosystem of open-source Python libraries for time series forecasting, as a case study of a third design: all libraries share the same long-format panel data and keyed forecast outputs, while every model family keeps its own specialized implementation. We demonstrate this design through three use cases on the public M5 competition data. First, we evaluate statistical, machine-learning, and neural models, and an external engine from a separate ecosystem, in a single rolling-origin evaluation with per-series and hierarchy-weighted metrics. Second, we profile runtime and peak memory from 100 to 30,490 series and locate each family's bottleneck: statistical fitting scales approximately linearly in the number of series, feature construction dominates machine-learning memory, and neural training time is nearly independent of panel size under a fixed training budget. Third, we reconcile the forecasts of multiple engines, including the external one, over all 42,840 series of the M5 hierarchy, with sparse reconciliation where dense implementations exhausted memory. These use cases establish the costs, boundaries, and utility of shared data and output contracts. The Nixtlaverse has seen substantial public distribution, scholarly reuse, and adoption through other forecasting frameworks, and is released under permissive open-source licenses with public datasets, reproducible examples, and verifiable benchmark artifacts.
• Abstract（参考訳）: 大規模な予測アプリケーションは、統計学、機械学習、ニューラルモデルを組み合わせることが多い。 これらの家族は同じ問題を解決するが、適合状態、訓練手順、作業の並列化方法が異なる。 したがって、予測ソフトウェアは、これらの違いを単一の推定器インターフェースの裏に隠さなければならないか、あるいは家族を別々のパッケージに保つ必要があるため、ユーザーはすべてのパッケージに対してデータ準備と評価を書き換えざるを得ない。 我々は、時系列予測のためのオープンソースのPythonライブラリのエコシステムであるNixtlaverseを、第3の設計のケーススタディとして提示する。 パブリックなM5コンペティションデータにおいて,この設計を3つのユースケースで実演する。 まず,統計モデル,機械学習モデル,ニューラルモデル,および別個のエコシステムからの外部エンジンを,各系列と階層重み付きメトリクスによる単一のローリングオリジン評価で評価する。 第2に、100から30,490シリーズのランタイムとピークメモリをプロファイリングし、各ファミリーのボトルネックを特定する: 統計的フィッティングは、シリーズ数にほぼ線形にスケールし、特徴構造は機械学習メモリを支配し、ニューラルトレーニング時間は、固定トレーニング予算の下でパネルサイズとほぼ独立している。 第3に、M5階層の42,840シリーズにまたがる外部エンジンを含む複数のエンジンの予測を、高密度実装がメモリを使い果たしたスパース整合で整合する。 これらのユースケースは、共有データと出力契約のコスト、バウンダリ、ユーティリティを確立します。 Nixtlaverseは、多くのパブリックディストリビューション、学術的再利用、その他の予測フレームワークを通じて採用され、パブリックデータセット、再現可能な例、検証可能なベンチマークアーティファクトを備えた寛容なオープンソースライセンスの下でリリースされている。

関連論文リスト

• SolarWM: Open Data and Scalable Training for Long-Horizon Video World Models [88.64689505355055]
  我々は、データ準備から長距離推論まで、インタラクティブなビデオワールドモデルを構築するための完全にオープンな基盤であるSolarWMを紹介した。 SolarWMは、再構成可能なマルチソースデータエンジンとバックボーンネイティブ適応フレームワークとの結合に対処する。 Wan2.2、LTX-2.5、MiniMax-H3に基づく4つの5B-33Bモデルを、ネイティブ表現と目的を保存しながらインスタンス化する。 結果として生じる因果モデルにより、わずか5秒のシーケンスでトレーニングされた数分から数時間のロールアウトをリアルタイムに対話することができる。
  論文  参考訳（メタデータ） (2026-09-02T17:59:41Z)
• Towards Diverse and Comprehensive Benchmarks for Mutual Information Estimation [47.29900218955283]
  相互情報推定は、機械学習と統計学における中心的な問題である。 既存のベンチマークでは、単純化された低次元分布上の推定器を評価し、複雑な現実的なデータに対する性能はほとんど探索されていない。 我々はこのギャップを、統一されたコプラ理論の観点から、包括的なベンチマークフレームワークで解決する。
  論文  参考訳（メタデータ） (2026-07-03T16:55:55Z)
• InfoAtlas: A Foundation Model for Zero-Shot Statistical Dependence Estimate [68.14572758582081]
  InfoAtlasは、反復最適化の必要性を排除する基礎的なモデルのようなアーキテクチャである。 さまざまな依存構造を特定し、データセットから直接MIを予測することを学ぶ。 実験の結果、InfoAtlasは最先端のニューラル推定器と精度で一致し、100倍のスピードアップを達成した。
  論文  参考訳（メタデータ） (2026-05-29T18:16:51Z)
• OpenDataArena: A Fair and Open Arena for Benchmarking Post-Training Dataset Value [74.80873109856563]
  OpenDataArena(ODA)は、トレーニング後のデータの本質的な価値をベンチマークするために設計された、総合的でオープンなプラットフォームである。 ODAは4つの主要な柱からなる包括的なエコシステムを確立している。 (i) 多様なモデル間で公平でオープンな比較を保証する統一的なトレーニング評価パイプライン、 (ii) 異なる軸数に沿ってデータ品質をプロファイリングする多次元スコアリングフレームワーク、 (iii) データセットの系図を視覚化してコンポーネントソースを識別するインタラクティブなデータ系統探索である。
  論文  参考訳（メタデータ） (2025-12-16T03:33:24Z)
• Towards Graph-Based Privacy-Preserving Federated Learning: ModelNet -- A ResNet-based Model Classification Dataset [0.3683202928838613]
  本稿では,事前学習したResNet50モデルから抽出した埋め込みから構築した新しい画像分類データセットであるModelNetを紹介する。 モデルパラメータを保存するために、トレーニング済みのResNet50モデルで3つのバリエーションのクライアント固有のサブセットをトレーニングします。 マルチドメイン画像データに加えて、匿名化モデルパラメータにアクセスできるFLアルゴリズムを定義する新しい仮説を提案する。
  論文  参考訳（メタデータ） (2025-05-31T08:53:16Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• dpart: Differentially Private Autoregressive Tabular, a General Framework for Synthetic Data Generation [8.115937653695884]
  dpartは、微分プライベートな合成データ生成のためのオープンソースのPythonライブラリである。 ライブラリは、素早くアクセス可能なベースラインとして機能するビューで作成されている。 例えば、Independent、最適化されたPrivBayes、新しく提案されたモデルdp-synthpopなどがある。
  論文  参考訳（メタデータ） (2022-07-12T19:55:21Z)
• HierarchicalForecast: A Reference Framework for Hierarchical Forecasting in Python [10.880133830514609]
  HierarchicalForecastライブラリには、公開データセット、評価メトリクス、統計ベースラインモデルのセットが含まれている。 当社のPythonベースの参照フレームワークは,統計的・計量的モデリングと機械学習予測研究のギャップを埋めることを目的としています。
  論文  参考訳（メタデータ） (2022-07-07T18:21:33Z)
• Merlion: A Machine Learning Library for Time Series [73.46386700728577]
  Merlionは時系列のためのオープンソースの機械学習ライブラリである。 モデルの統一インターフェースと、異常検出と予測のためのデータセットを備えている。 Merlionはまた、本番環境でのモデルのライブデプロイメントと再トレーニングをシミュレートするユニークな評価フレームワークも提供する。
  論文  参考訳（メタデータ） (2021-09-20T02:03:43Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。