論文の概要: Beyond Model Ranking: Regime Diagnosis for Distributional-Statistical Misspecification in Industrial Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.40117v1
• Date: Wed, 30 Sep 2026 16:43:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:28.098998
• Title: Beyond Model Ranking: Regime Diagnosis for Distributional-Statistical Misspecification in Industrial Time-Series Forecasting
• Title（参考訳）: モデルランキングを超えて:産業時系列予測における分布統計ミス種別のためのレジーム診断
• Abstract要約: 時系列予測モデルは、産業展開において重大な体系的バイアスを示す。 我々は、これらの説明が見落としている補足的情報源を特徴づける:正準損失は固定された統計的事前を埋め込む。 我々はこれらの観察結果を,Regime-wise Relative Bias Vectorを中心とした評価ツールキットに変換する。
• 参考スコア（独自算出の注目度）: 9.567384326051151
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series forecasting models achieve strong benchmark performance but exhibit severe systematic bias in industrial deployments. This train--deploy gap is conventionally attributed to temporal-structural errors or distribution shifts. We characterize a complementary source that these explanations overlook: canonical losses embed fixed statistical priors, while industrial demand mixes benign and pathological regimes---zero-inflation, skewness, high variability---in which these priors are systematically violated. The induced bias persists even under perfect temporal modeling, remains in a distributional-shape component that normalization cannot remove, and creates an aggregation trade-off invisible to aggregate metrics. We turn these observations into an evaluation toolkit centered on the Regime-wise Relative Bias Vector (RBV): a metric-agnostic, regime-decomposed diagnostic that audits how pooled training allocates systematic mismatch across pathological subpopulations. A controlled attribution analysis decomposes RBV into a model-independent intrinsic floor, set by each loss's estimand, and an excess component attributable to training, tracing observed bias to the loss rather than the model. A large-scale study---13 loss objectives, 3 seeds, 60,000+ series spanning RetailShiftBench and M5, with random-split controls---shows that regime-aware diagnosis separates optimization-type from bias-type failure, and that regime-aware training resolves the pooling-induced bias that capacity scaling cannot, for mean-type losses. A formal structural observation, that risk under evaluation-distribution contamination is affine in the pathology mixture weight, grounds these findings. Our work complements model ranking with mechanism-grounded, regime-oriented evaluation.
• Abstract（参考訳）: 時系列予測モデルは、強いベンチマーク性能を達成するが、産業展開において深刻な体系的バイアスを示す。 この列車配置ギャップは、伝統的に時間的構造的誤差や分散シフトによるものである。 標準的損失は固定された統計的事前を埋め込むのに対し、産業的需要は良性と病理的体制を混合する----------------------------------------------は体系的に違反する。 誘導バイアスは完全な時間的モデリングの下でも持続し、正規化が除去できない分布型コンポーネントに留まり、メトリクスを集約するために見えない集約トレードオフを生成する。 本稿では,これらの知見を,病的サブポピュレーションにまたがる組織的ミスマッチをプールトレーニングがどのように割り当てるかを計測する,メートル法に依存しない状態分解診断法であるRBV(Regime-wise Relative Bias Vector)を中心とした評価ツールキットに変換する。 制御された帰属分析は、RBVをモデルに依存しない内在的な床に分解し、各損失の推定値によって設定され、トレーニングに起因する余剰成分をモデルよりも損失に対する観察されたバイアスをトレースする。 大規模な研究------13の損失目標、3種の種子、RetailShiftBenchとM5にまたがる6万以上のシリーズ、ランダムスプリットなコントロール--は、レジーム認識診断が最適化型とバイアス型障害を分離し、レジーム認識トレーニングはキャパシティスケーリングが平均型損失に対してできないプーリング誘発バイアスを解決していることを示す。 評価分布汚染下でのリスクは病理学的混合重量においてアフィンであるという形式的な構造的観察は、これらの知見を根拠にしている。 本研究は, モデルランキングと, 機構的, 構造的評価を補完する。

関連論文リスト

• Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
  Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。 EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。 本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
  論文  参考訳（メタデータ） (2026-08-24T15:06:18Z)
• Mind the Residual Gap: Probabilistic Downscaling under Real-World Bias [11.400279490725042]
  確率的なダウンスケーリングは、大気科学、気候モデリング、その他のマルチスケール物理システムにとって重要な課題である。 広く使われているパラダイムは、問題を決定論的平均予測器に分解し、続いて残留発生器に分解する。 本研究は,根本原因が標的誤診であり,訓練中に誘発される残差分布は,下降バイアスにより試験時間に要求されるものと体系的に異なることを示す。
  論文  参考訳（メタデータ） (2026-06-29T18:47:34Z)
• Entropy Minimization without Model Collapse: Mitigating Prediction Bias in Medical Imaging [2.651701169890824]
  エントロピーの最小化はテスト時間適応の主要な目的であるが、その失敗モードであるモデル崩壊は理解されていない。 本稿では,この障害モードを特に対象とするバイアス補正対象である分散シフトバイアス低減(DSBR)を提案する。 DSBRはテスト時間適応を一定に安定化し,モデル崩壊を防止し,最先端の手法に適合し,性能を向上する。
  論文  参考訳（メタデータ） (2026-06-01T14:48:16Z)
• The Stationarity Bias: Stratified Stress-Testing for Time-Series Imputation in Regulated Dynamical Systems [0.098314893665023]
  時系列計算ベンチマークはランダムマスキングと形状に依存しないメトリクスを使用する。 我々は、このバイアスを形式化し、評価を定常型と過渡型に分割するemphStratified Stress-Testを提案する。
  論文  参考訳（メタデータ） (2026-02-17T15:05:56Z)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Beyond RMSE and MAE: Introducing EAUC to unmask hidden bias and unfairness in dyadic regression models [5.336076422485076]
  非均一な観測値分布が、最先端のモデルに深刻なバイアスをもたらすことを示す。 我々は、すべての研究領域とモデルでそれを定量化できる新しい指標として、Eccentricity-Area Under the Curve (EAUC)を紹介した。
  論文  参考訳（メタデータ） (2024-01-19T13:41:08Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)

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。