論文の概要: Reducing Multi-Horizon Photovoltaic Forecast Error through Tree-Anchored Expert Combination

• arxiv url: http://arxiv.org/abs/2610.31248v1
• Date: Thu, 22 Oct 2026 13:27:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.385179
• Title: Reducing Multi-Horizon Photovoltaic Forecast Error through Tree-Anchored Expert Combination
• Title（参考訳）: ツリー・アンコレッド・エキスパート・コンビネーションによるマルチ水平太陽光発電予測誤差の低減
• Abstract要約: 本研究では,木の平均絶対誤差 (MAE) を15～240分以上下げることができるかを検討した。 2つの共同配置されたパブリックAQシステムからの56,078ウィンドウでは、歴史的共有MAEポリシーは木に対して3.21%縮小する。 結果は、モジュールの平均値や非差別的な追加よりも、この銀行で補完的な予測を選択的に組み合わせることを支援する。
• 参考スコア（独自算出の注目度）: 25.335834032977047
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: A strong direct tree model may remain the best standalone photovoltaic forecaster, yet a weighted combination can reduce its residual errors. We examine whether complementary temporal predictors can lower the tree's mean absolute error (MAE) over 15--240 minutes without weaker ensemble members degrading performance. The candidate bank contains LightGBM and seven neural implementations with different temporal representations. A combiner fitted to MAE has nonnegative weights that sum to one. Unhelpful candidates can receive zero weight, while the tree anchors the combination and provides a development-stage fallback. The main design shares weights across horizons; horizon-specific weights and alternative losses test whether further complexity is needed. On 56,078 windows from two co-located public PVDAQ systems, the historical shared-MAE policy reduces scaled MAE by 3.21\% relative to the tree. The latest bounded neural correction does not reduce MAE further than this static combination. The results support selective combination of complementary predictions in this bank rather than equal averaging or indiscriminate addition of modules. Both analyses reuse a previously inspected evaluation period. They do not establish independent replication, weather-specific causation or universal gains from eight experts.
• Abstract（参考訳）: 強い直木モデルは、最も優れたスタンドアロンの太陽光発電予測器であり続けるが、重み付けされた組み合わせは残差を減らすことができる。 本研究では,木の平均絶対誤差 (MAE) を15～240分以上にわたって減少させることができるかを検討した。 候補バンクにはLightGBMと、時間的表現の異なる7つのニューラル実装が含まれている。 MAEに装着されたコンバインダーは1に等しい負の重みを持たない。 不完全な候補はゼロウェイトを受け取ることができ、一方、ツリーは組み合わせをアンカーし、開発段階のフォールバックを提供する。 主設計は水平線にまたがる重みを共有し、水平線固有の重みと代替の損失はさらなる複雑さが必要かどうかをテストする。 2つの公共PVDAQシステムからの56,078ウィンドウでは、歴史的共有MAEポリシーは木に対して3.21\%縮小する。 最新の有界神経矯正は、この静的組み合わせよりもMAEを減少させるものではない。 この結果は、モジュールの平均値や無差別な追加よりも、この銀行で補完的な予測を選択的に組み合わせることを支援する。 どちらの分析も、事前に検査された評価期間を再利用する。 彼らは8人の専門家から独立した複製、気象特性の因果関係、普遍的な利益を定めていない。

関連論文リスト

• ReDiS: Reasoning-Diagnosis Self-Evolution for Multimodal Reasoning in Remote Sensing [53.65780048695954]
  我々は、推論探索と候補評価を分離するフレームワークである textbfReasoning-Diagnosis-Self-Evolution (ReDiS) を導入する。 多様な視覚的証拠を探索するtextbfReasoner と、完全な候補セットを共同で評価する textbfDiagnoser である。 LHRS-Bench, MME-RS, CHOICEの実験では、Qwen3.5バックボーンを0.8B, 2B, 4Bスケールで一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-10-13T13:38:02Z)
• Capability Scaling-Down Laws for LLM Compression [57.14348517864116]
  我々は, LLM圧縮のスケールダウン法則を, 刈り込み, 定量化, 蒸留にまたがって検討した。 我々のフレームワークは、数学、コード生成、質問応答における能力損失を測定する。 我々は単純な予測関係を構築し、その精度、測定効率、および未知の構成やモデル状態への一般化を評価する。
  論文  参考訳（メタデータ） (2026-10-01T20:35:12Z)
• Ensemble Complexity in Photovoltaic Forecasting [1.6028290648973895]
  アンサンブルは、ほとんど寄与しないコンポーネントや計算量を増加させるコンポーネントを追加しながら、太陽光発電の予測を改善することができる。 固定ヘテロジニアス予測バンクの比較と改善により,これらの効果を評価する。
  論文  参考訳（メタデータ） (2026-09-14T05:09:03Z)
• Dirichlet Process Mixtures of Trees with Gaussian Process Splits: A Bayesian Nonparametric Framework with Posterior Contraction Rate [0.9176056742068814]
  本稿では,ディリクレ過程に先行する回帰木の非パラメトリック混合法を提案する。 各端末ノード内のガウス過程の後方予測によって駆動される新しい分割規則は、柔軟で滑らかな決定境界を生成する。 QSAR毒性、犯罪、リボフラビン、小麦ゲノム学、空気質への応用は、信頼性の高い信頼区間と自動間隔を確認する。
  論文  参考訳（メタデータ） (2026-08-22T08:47:23Z)
• Tree-Based Formalization of Multi-Agent Complementarity in Human-AI Interactions [0.3384279376065155]
  相補性(complementarity)は、人間とAIのインタラクションが、メンバー間で利用できる最高の予測ベンチマークを上回っている場合である。 既存のフレームワークは、エージェントの予測がどのようにワークフローに敏感なマルチエージェントプロトコルを構成するかをモデル化していない。 複数エージェントHAIにおける相補性のツリーベース形式化を導入することで、このギャップを埋める。
  論文  参考訳（メタデータ） (2026-06-03T12:02:19Z)
• Direct Bethe Free Energy Minimization for Bayesian Neural Network [0.0]
  我々は,変分下界を最大化するのではなく,Bethe自由エネルギーを直接最小化してベイズニューラルネットワークを訓練することを提案する。 木構造因子グラフ上では、Bethe自由エネルギーは正確であり、決定論的層は目的から外れ、標準のバックプロパゲーションによって訓練される。 すべての変種は、アンサンブルやサンプリングベースの手法とは対照的に、MAP等価な推論コストで閉形式予測を許容する。
  論文  参考訳（メタデータ） (2026-05-08T20:12:48Z)
• AffineGlue: Joint Matching and Robust Estimation [74.04609046690913]
  AffineGlue, 連立2視点特徴マッチングとロバストな推定法を提案する。 AffineGlueは、最小限のモデルを推定するために、1対多の対応から潜在的なマッチを選択する。 ガイドマッチングはモデルと一致した一致を見つけるために使用され、1対1の一致の曖昧さに悩まされる。
  論文  参考訳（メタデータ） (2023-07-28T08:05:36Z)
• Towards Regression-Free Neural Networks for Diverse Compute Platforms [50.64489250972764]
  負のフリップを小さくする高精度モデル群を設計するために,REG-NAS(Regression constrained Neural Architecture Search)を導入する。 REG-NASは2つのコンポーネントから構成される: 1) より大きなモデルでより小さなモデルの全重みを収容できる新しいアーキテクチャ制約により、重量共有を最大化する。 我々は,regnasが3つの一般的なアーキテクチャ検索空間において,負のフリップが少なく,望ましいアーキテクチャを見つけることができたことを実証した。
  論文  参考訳（メタデータ） (2022-09-27T23:19:16Z)
• Lookback for Learning to Branch [77.32867454769936]
  Bipartite Graph Neural Networks (GNN) は、ディープラーニングに基づくMixed-Integer Linear Program (MILP) の重要コンポーネントであることが示されている。 近年の研究では、分岐とバウンド(B&B)の解法における分岐(可変選択)を置き換える上で、そのようなGNNの有効性が実証されている。
  論文  参考訳（メタデータ） (2022-06-30T02:33:32Z)
• SGA: A Robust Algorithm for Partial Recovery of Tree-Structured Graphical Models with Noisy Samples [75.32013242448151]
  ノードからの観測が独立しているが非識別的に分散ノイズによって破損した場合、Ising Treeモデルの学習を検討する。 Katiyarら。 (2020) は, 正確な木構造は復元できないが, 部分木構造を復元できることを示した。 統計的に堅牢な部分木回復アルゴリズムであるSymmetrized Geometric Averaging(SGA)を提案する。
  論文  参考訳（メタデータ） (2021-01-22T01:57:35Z)

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。