論文の概要: World Models, Trees and Foundation Models for Retail Forecasting: Evidence from Four Public Data Sets

• arxiv url: http://arxiv.org/abs/2610.25170v1
• Date: Sun, 18 Oct 2026 10:50:36 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:04:13.201649
• Title: World Models, Trees and Foundation Models for Retail Forecasting: Evidence from Four Public Data Sets
• Title（参考訳）: 小売予測のための世界モデル, 木, 基礎モデル:4つの公開データセットからの証拠
• Abstract要約: 本論文は,4つの公開データセット上で各粒度におけるモデルを比較する。 プランを通じて価格とプロモーションをカバーし、製品や品揃えや場所ではなく、これらのデータレコードを入力する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: A retailer makes different decisions at different grains of the product, store and time hierarchy: store orders for an item in a store, supplier funding for an item across stores, category performance by store, and the financial plan for the chain. Which forecasting model to use depends on the grain. This paper compares models at each grain on four public data sets (M5, six Dominick's categories, Breakfast at the Frat, and Corporación Favorita, the last kept out of all development), over rolling forecast origins with paired tests and model confidence sets. It covers price and promotion through the plan inputs these data record, not product, assortment or place. The models are a world model that carries each item's state forward under the price and promotion plan, the same network without that state, LightGBM, the Temporal Fusion Transformer, TimesFM, Chronos-Bolt, Timestral, seasonal naive, and an equal-weight average of the world model, LightGBM and TimesFM given the plan. The answer changed with the grain. For an item by store and an item across stores, the average had the lowest error on seven and eight of nine data sets, and the 90% confidence set held a median of 1 and 2 models. For a category by store, a category and the chain total, the lowest-error model differed between data sets and a median of 4 of nine models were not separated by the four to six windows available. For category-by-store planning cost, the average or LightGBM was lowest on seven of eight data sets, and the world model was lowest only on M5; it was behind LightGBM item by store on six of eight. Every trained model used the plan, and on the weekly promotion-driven data pretrained models were less accurate without it. These results hold for these data sets; a forecast solved across all four Ps, or a retailer's own data, may give different results. Every model, test and change that lost is reported.
• Abstract（参考訳）: 小売業者は、商品、店舗、時間階層の異なるグレーンで異なる決定を行う:店内のアイテムの注文をストアし、店舗全体でアイテムのサプライヤー資金を供給し、店舗ごとのカテゴリーパフォーマンスを図り、チェーンの財務計画を立てる。 どの予測モデルを使うかは穀物に依存します。 本稿では,4つの公開データセット(M5,6つのドミニクのカテゴリ,Flatにおけるブレークファスト,およびすべての開発から切り離されたCooración Favorita)上の各粒のモデルを,ペアテストとモデル信頼セットによるロール予測原点と比較する。 プランを通じて価格とプロモーションをカバーし、製品や品揃えや場所ではなく、これらのデータレコードを入力する。 モデルは、価格とプロモーションプランの下で各アイテムの状態を前倒しする世界モデルであり、その状態のない同じネットワーク、LightGBM、Temporal Fusion Transformer、TimeFM、Chronos-Bolt、Timestral、シーズンナイーブ、そしてこの計画により世界モデルの同等の重量平均であるLightGBM、TimeFMである。 答えは穀物で変わった。 店舗ごとのアイテムと店舗ごとのアイテムでは、平均は9つのデータセットのうち7と8のエラーが最も低く、90%の信頼度は1と2のモデルだった。 店舗別, カテゴリー別, チェーン数別では, 最下位エラーモデルはデータセット間で異なり, 中央値9モデルのうち4モデルは利用可能な4～6ウィンドウで分離されなかった。 カテゴリーごとのプランニングコストでは、平均またはLightGBMは8つのデータセットのうち7つで最低であり、世界モデルはM5で最低であった。 訓練されたすべてのモデルがこの計画を使用しており、週毎のプロモーション駆動データでは、事前訓練されたモデルはそれなしでは正確ではない。 これらの結果はこれらのデータセットに当てはまる。4つのP、または小売業者自身のデータで解決された予測は、異なる結果を与える可能性がある。 失われたすべてのモデル、テスト、変更が報告されます。

関連論文リスト

• A Later Test Set Is Not a New Domain: Pretraining Familiarity Survives a Contamination-Free Hold-Out [0.0]
  時系列ファウンデーションモデルは、その前の公開アーカイブにのみ評価されるので、事前トレーニング中にテストセットを見たことから、強力なスコアを分離することはできない。 5つのドメインから引き出された7つのグループ上に、13の予測器(4つの古典的、3つの訓練されたデータセット、6つの事前訓練済み)を構築します。 このプロトコルの下で、事前訓練されたモデルは7つのグループのうち5つを獲得し、セタベースラインに1つを失う。
  論文  参考訳（メタデータ） (2026-09-09T15:52:55Z)
• Modeling What Changes: Sparse, Residual World Models for Object-Centric Manipulation [0.0]
  スパース/残留モデルは高密度多層パーセプトロンの2.5倍から4.6倍の精度で次状態のポーズを予測する。 自動回帰ロールアウトでは誤差がはるかに少なくなり、密度の高いモデルがドリフトする間、動きのないフロアを抱きしめる。 世界全体を予測するのではなく、どのような変化をモデル化するかは、オブジェクト中心の物理的なAIに対して単純で効果的なバイアスとなります。
  論文  参考訳（メタデータ） (2026-09-02T03:20:09Z)
• Evaluating Generative Time-Series Models on Data with Point Masses [2.5536942228520814]
  このようなデータを慎重に評価するとどうなるか報告する。 標準的なローリングオリジンプロトコルは、データセットに似ていない原子構造を持つウィンドウ上でモデルをスコアすることができる。 自己回帰的ハードルは、6つのデータセットのうち5つの条件付きフローを最大133ドルまで上回る。
  論文  参考訳（メタデータ） (2026-08-10T14:57:36Z)
• Decoding-Time Debiasing via Process Reward Models: From Controlled Fill-in to Open-Ended Generation [0.0]
  大規模な言語モデルは、トレーニングされたデータから社会的バイアスを拾い上げ、下流のアプリケーションにバイアスを運ぶ。 本稿では,デコーディング時にモデルをデバイアス化し,モデルの重みに触れることなく,候補トークンに対するバイアス緩和を構造化された探索として扱う。 我々は、高度化のための3つのスキーム(Best-of-N selection, Sequential critique-and-Revise, Constitutional self-audit)を設計し、4つのモデルで評価する。
  論文  参考訳（メタデータ） (2026-05-04T08:51:34Z)
• One-Embedding-Fits-All: Efficient Zero-Shot Time Series Forecasting by a Model Zoo [82.65837388129746]
  Time Series Foundation Models (TSFM) はゼロショット予測を大幅に進歩させた。 異なるモデルが異なる時間パターンの好みを示すため、単一のTSFMが普遍的に優れているものはない。 本稿では,各モデルの予測強度を特徴付けるZooCastを提案する。
  論文  参考訳（メタデータ） (2025-09-04T13:34:54Z)
• Establishing Task Scaling Laws via Compute-Efficient Model Ladders [136.76316239300363]
  我々は,事前訓練された言語モデル(LM)のタスク性能を予測するために,タスクスケーリング法則とモデルはしごを開発する。 2つの予測ステップのパラメータ化関数に適合するデータポイントを収集し、2つの対象モデルの予測を行う。 ランク付けされた4つの多重選択タスクにおいて、絶対誤差の2ポイント以内で、両方のターゲットモデルの精度を予測することができる。
  論文  参考訳（メタデータ） (2024-12-05T18:21:49Z)
• Hierarchical Bayesian Regression for Multi-Location Sales Transaction Forecasting [0.0]
  階層的なベイズモデルが、店のフランチャイズで1日を通して購入を予測し、その場所や週の日をグループ化する方法を示す。 この手法は,データに制限があるというジレンマを解消し,その結果,日や場所の精度が低くなるとともに,精度を向上して多数の場所に拡張可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-30T16:53:10Z)
• Dataless Knowledge Fusion by Merging Weights of Language Models [47.432215933099016]
  微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。 これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。 パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
  論文  参考訳（メタデータ） (2022-12-19T20:46:43Z)
• Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
  ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。 専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
  論文  参考訳（メタデータ） (2022-10-11T10:20:31Z)

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。