論文の概要: Benchmarking System One Models for Time-Series Decision Making: A Case Study of Jev

• arxiv url: http://arxiv.org/abs/2610.33410v1
• Date: Sat, 24 Oct 2026 02:58:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.321945
• Title: Benchmarking System One Models for Time-Series Decision Making: A Case Study of Jev
• Title（参考訳）: 時系列決定のためのベンチマークシステム1モデル:Jevを事例として
• Abstract要約: 時系列分類,イベントタイプ予測,石油温度方向,ストックムーブメント予測を評価した。 精度とAUCを用いた統合評価フレームワークを構築した。 その結果、選択した時間的パターンとイベントタイプの予測において、より強い性能を示す。 いくつかのデータセットは、ランキング品質と最終的な決定精度のギャップも明らかにしている。
• 参考スコア（独自算出の注目度）: 4.929385167710078
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series tasks require both accurate predictions and fast decisions. Advances in large models have introduced decision-oriented models that directly output answers and their probabilities, which we call Structured System 1 models. Their applicability to time-series tasks remains underexplored. Using Jev 1.13.0 as a case study, we evaluate time-series classification, event type prediction, oil temperature direction and stock movement prediction, converting continuous forecasting targets into discrete decisions to fit the model interface. We establish a unified evaluation framework using accuracy and AUC. Results show stronger performance on selected explicit temporal patterns and event type prediction, but near-chance discrimination on many numerical sequence classification tasks and stock movement prediction. Some datasets also reveal a gap between ranking quality and final decision accuracy. These findings motivate improvements in temporal representation, domain adaptation, and decision-score alignment. Standardized sample construction, model calls, and result recording support extending the evaluation to future models.
• Abstract（参考訳）: 時系列タスクは正確な予測と迅速な決定の両方を必要とする。 大規模モデルの進歩は、私たちがStructured System 1モデルと呼ぶ回答とその確率を直接出力する決定指向モデルを導入しました。 時系列タスクの適用性はまだ未検討である。 ケーススタディとしてJev 1.13.0を用いて、時系列分類、イベントタイプ予測、石油温度方向、ストックムーブメント予測を評価し、連続予測対象を離散決定に変換してモデルインターフェースに適合させる。 精度とAUCを用いた統合評価フレームワークを構築した。 その結果、選択した時間的パターンとイベントタイプ予測に対して、より強い性能を示すが、多くの数値列分類タスクとストックムーブメント予測では、ほぼ正当性を区別する。 いくつかのデータセットは、ランキング品質と最終的な決定精度のギャップも明らかにしている。 これらの知見は、時間的表現、ドメイン適応、決定スコアアライメントの改善を動機付けている。 標準化されたサンプル構築、モデル呼び出し、および将来のモデルに評価を拡張する結果記録のサポート。

関連論文リスト

• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• Why Model Selection Fails in Time Series Forecasting: An Empirical Study of Instability Across Data Regimes [0.0]
  時系列予測モデルは、統計学的および構造的特性の異なるデータセット間で不整合性を示すことが多い。 本稿では,データ登録記述子とモデル性能の関係を解析することにより,ルールベースのモデル選択が時系列予測で失敗する理由を考察する。
  論文  参考訳（メタデータ） (2026-05-02T21:19:29Z)
• TimeRecipe: A Time-Series Forecasting Recipe via Benchmarking Module Level Effectiveness [21.753566949357026]
  TimeRecipeはモジュールレベルで時系列予測メソッドを体系的に評価するフレームワークである。 TimeRecipeは、個々のコンポーネントの有効性を評価するために、1万以上の実験を行います。 以上の結果から,設計空間の徹底的な探索により,既存の最先端手法よりも優れたモデルが得られることがわかった。
  論文  参考訳（メタデータ） (2025-06-06T19:11:48Z)
• Predictive Churn with the Set of Good Models [61.00058053669447]
  本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。 予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Selective Prediction via Training Dynamics [31.708701583736644]
  本研究では,モデルのトレーニング力学を学習することで,最先端の選択的予測性能が得られることを示す。 特に、トレーニングの後半段階で最終予測と大差ないデータポイントを拒否する。 提案された拒絶機構はドメインに依存しない(すなわち、離散予測と実数値予測の両方に有効)、既存の選択的予測手法と柔軟に組み合わせることができる。
  論文  参考訳（メタデータ） (2022-05-26T17:51:29Z)
• Model Selection for Time Series Forecasting: Empirical Analysis of Different Estimators [1.6328866317851185]
  時系列予測タスクにおけるモデル選択のための一連の推定手法を比較する。 その結果,最適解選択のための推定器の精度は低いことがわかった。 サンプルサイズなどのいくつかの要因は、推定器の相対的性能において重要である。
  論文  参考訳（メタデータ） (2021-04-01T16:08:25Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)
• Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
  視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。 潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。 我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
  論文  参考訳（メタデータ） (2020-12-08T18:03:21Z)

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。