論文の概要: Realism VS Accuracy: Event Sequence Forecasting from a Generative Modeling Perspective

• arxiv url: http://arxiv.org/abs/2610.12586v1
• Date: Thu, 08 Oct 2026 18:07:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.244387
• Title: Realism VS Accuracy: Event Sequence Forecasting from a Generative Modeling Perspective
• Title（参考訳）: Realism VSの精度: 生成モデリングの観点からのイベントシーケンス予測
• Abstract要約: 条件付き生成モデル問題として,イベントシーケンスのマルチ水平予測について検討する。 予測は予測精度だけでなく,分布的リアリズムについても評価する。 本稿では,現実主義・強拡散モデルからのサンプルを最先端の予測器に集約するアルゴリズムであるWasserstein BaryBoosterを紹介する。
• 参考スコア（独自算出の注目度）: 62.26673106147725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event sequences are chains of random events, each described by heterogeneous (numerical and categorical) features. The problem of event sequence forecasting occurs in finance, healthcare, business process intelligence, and other fields. In this work, we study multi-horizon forecasting of event sequences as a conditional generative modeling problem. We evaluate forecasts not only for prediction accuracy, but also for distributional realism. To this end, we present a benchmark comprising metrics for both quality aspects, strong statistical baselines, recent models adapted from adjacent fields, and curated real-world datasets. Careful evaluation reveals that no method excels at both accuracy and realism, highlighting a fundamental trade-off between the two. Finally, we introduce Wasserstein BaryBooster, an algorithm that aggregates samples from a realism-strong diffusion model into a state-of-the-art predictor, demonstrating that distributional realism can be converted into prediction accuracy. Code is available at https://github.com/xaosina/event-sequence-forecasting.
• Abstract（参考訳）: イベントシーケンスはランダムなイベントの連鎖であり、それぞれが不均一(数値的および分類的)な特徴によって記述される。 イベントシーケンス予測の問題は、金融、医療、ビジネスプロセスインテリジェンスなどの分野で発生する。 本研究では,事象列のマルチ水平予測を条件付き生成モデル問題として検討する。 予測は予測精度だけでなく,分布的リアリズムについても評価する。 そこで本研究では, 品質面, 強い統計ベースライン, 隣接分野から適応した最近のモデル, 実世界のデータセットの両面での指標からなるベンチマークを提案する。 注意深い評価は、どの手法も正確性と現実性の両方に優れておらず、両者の基本的なトレードオフを強調していることを示している。 最後にWasserstein BaryBoosterを紹介した。これは、現実主義-強拡散モデルからのサンプルを最先端の予測子に集約するアルゴリズムで、分布的リアリズムを予測精度に変換できることを示す。 コードはhttps://github.com/xaosina/event-sequence-forecasting.comで公開されている。

関連論文リスト

• Rigorous uncertainty quantification of probabilistic AI weather forecasts with conformal prediction [9.24882416591115]
  確率的天気予報は人工知能(AI)によって急速に変化している 従来の数値天気予報では、計算能力は将来の状態の未知の統計分布をいかにうまく近似するかを制限することができる。 ここでは、キャリブレーションの最終的な尺度であるそのようなモデルの統計的カバレッジが、特に極端な事象において困難であることを示す。 我々は,分布的仮定のない数学的にカバレッジを保証する統計手法のクラスである共形予測を用いる。
  論文  参考訳（メタデータ） (2026-06-17T22:41:20Z)
• 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)
• Towards a performance characteristic curve for model evaluation: an application in information diffusion prediction [2.8686437689115354]
  拡散データのランダム性を定量化するために,情報エントロピーに基づくメトリクスを提案する。 次に,モデルのランダム性と予測精度の間のスケーリングパターンを同定する。 曲線の妥当性は、同じ家系の3つの予測モデルによって検証される。
  論文  参考訳（メタデータ） (2023-09-18T07:32:57Z)
• 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)
• Transforming Autoregression: Interpretable and Expressive Time Series Forecast [0.0]
  本稿では,様々な研究方向からインスパイアされたモデルクラスである自己回帰変換モデル(ATM)を提案する。 ATMは半パラメトリック分布仮定と解釈可能なモデル仕様を用いて表現的分布予測を統一する。 ATMの理論的および実証的な評価により,複数のシミュレーションおよび実世界の予測データセット上でATMの特性を実証する。
  論文  参考訳（メタデータ） (2021-10-15T17:58:49Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)

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。