論文の概要: FARE: Factor-Aware Retrieval with Error-Guided Fusion for Retail Forecasting

• arxiv url: http://arxiv.org/abs/2610.40160v1
• Date: Thu, 29 Oct 2026 14:37:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.517972
• Title: FARE: Factor-Aware Retrieval with Error-Guided Fusion for Retail Forecasting
• Title（参考訳）: FARE:リテール予測のためのエラーガイド融合による因子認識検索
• Abstract要約: FAREは、既知の目標週間因子ごとに個別に過去の週をランク付けし、選択された週を固定予算の下で要因基準にマージする。 Favorita、M5、Rossmann、Rohlikでは、FAREは5つのバックボーンの重み付き絶対パーセンテージ誤差(WAPE)を平均で11.46%、4.06%、14.63%、そして10.16%削減している。
• 参考スコア（独自算出の注目度）: 5.768155979686586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retail sales forecasting underpins inventory planning, yet promotions and calendar events reshape short-term demand. Although each factor usually has historical occurrences, the complete factor combination of a target week often has few precedents. The challenge is therefore to retrieve informative partial matches and weight them by their reliability, which varies across series. We propose FARE(Factor-Aware Retrieval with Error-Guided Fusion), which ranks historical weeks separately for each known target-week factor and merges the selected weeks into a factor reference under a fixed budget. Guided by shrunk errors from completed development weeks and the current disagreement among candidates, a first gate mixes this factor reference with a shape reference from similar sales histories, and a second gate controls how strongly the mixture corrects a backbone forecast. Both gates remain fixed during testing. On Favorita, M5, Rossmann, and Rohlik, FARE reduces the weighted absolute percentage error (WAPE) of five backbones by 11.46%, 4.06%, 14.63%, and 10.16% on average. With Chronos-2 frozen, FARE also outperforms conventional and existing enhancement methods, including supervised residual correction and retrieval augmentation. Code is available at https://github.com/HousonGu/FARE .
• Abstract（参考訳）: 小売売上高予測は在庫計画を支えるが、プロモーションやカレンダーイベントは短期的な需要を再形成する。 それぞれの要因は歴史的に発生することが多いが、目標週の完全な要因の組み合わせは前例がほとんどないことが多い。 したがって、その課題は、情報的部分一致を回収し、その信頼性によってそれらを重み付けすることであり、それはシリーズによって異なる。 FARE (Factor-Aware Retrieval with Error-Guided Fusion) を提案する。 第1のゲートは、完了した開発週の誤差と候補間の現在の不一致によってガイドされ、この因子参照と類似した販売履歴からの形状参照とを混合し、第2のゲートは、混合がバックボーン予測をいかに強く補正するかを制御する。 両ゲートは試験中も固定されている。 Favorita、M5、Rossmann、Rohlikでは、FAREは5つのバックボーンの重み付き絶対パーセンテージ誤差(WAPE)を平均で11.46%、4.06%、14.63%、そして10.16%削減している。 Chronos-2 の凍結により FARE は、教師付き残留補正や検索強化を含む、従来および既存の拡張手法よりも優れる。 コードはhttps://github.com/HousonGu/FARE で公開されている。

関連論文リスト

• JockeyBench: Evaluating LLM Agents on Horse-Racing Decision-Making [51.28684419852576]
  繰り返し発生する事象予測には、ノイズのある証拠から予測信号を抽出する必要がある。 本稿では,歴史的競馬を通じてこの問題を研究するベンチマークおよび評価プロトコルであるJockeyBenchを紹介する。
  論文  参考訳（メタデータ） (2026-10-14T04:59:45Z)
• RACE: Residual-Aware Test-Time Adaptation for Neighbor-Rich Time-Series Foundation Model Forecasting [77.45682913395635]
  時系列基礎モデル (TSFM) は, 予測タスク全体にわたって強く機能するが, 系列ごとの推測は近隣のリッチな予測に不適である。 RACE(Residual-Aware Correction of Forecasting Errors, Residual-Aware Correction of Forecasting Errors)は、2段階のフレームワークである。
  論文  参考訳（メタデータ） (2026-09-30T13:14:38Z)
• RICE-Alpha: Reliability-Informed Correction with Event Graphs for LLM-Agent Stock Forecasting [10.434354113153582]
  RICE-Alphaは、歴史を意識した多視点ベースアルファと、過去の出来事の継続から導かれた信頼性を校正した残差補正を分離するポイントインタイムフレームワークである。 2024年から2026年までのNasdaq-100とHang Seng Indexパネルでは,LIS-AlphaがLSMをベースとしたエージェントの中で最強の結果を得た。
  論文  参考訳（メタデータ） (2026-09-27T23:03:31Z)
• 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)
• CFR without Unbiasedness: Deterministic Guarantees for Persistent Public-Chance Schedules [1.0390646006106319]
  均一な非負の加法的公切断に対する決定論的目標移動定理を確立する。 定理のコンポーネント解決形式は、実行トレースを数値的なエクスプロイラビリティ証明に変換する。 ディープ・スタディでは、32から64のフルカットの成果予算が交差し、その後、完全なカバレッジが支配される。
  論文  参考訳（メタデータ） (2026-08-14T09:28:35Z)
• STOCKTAKE: Measuring the Gap Between Perception and Action in LLM Agents with a Fair Oracle [0.0]
  LLMエージェントは、コストを駆動する状態が直接観察されない複数週間の意思決定タスクにおいて、ますます評価される。 一部観測可能なマルコフ決定プロセスとして構築された26週間のサプライチェーン補充ベンチマークであるSTOCKTAKEを紹介する。
  論文  参考訳（メタデータ） (2026-07-15T09:08:27Z)
• RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
  固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。 本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。 累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
  論文  参考訳（メタデータ） (2026-06-23T02:11:04Z)
• Beyond calibration: estimating the grouping loss of modern neural networks [68.8204255655161]
  適切なスコアリングルール理論は、キャリブレーション損失が与えられた場合、個々のエラーを特徴づける欠片がグループ化損失であることを示している。 視覚およびNLPにおける現代のニューラルネットワークアーキテクチャは、特に分散シフト設定においてグループ化損失を示す。
  論文  参考訳（メタデータ） (2022-10-28T07:04:20Z)
• Long-tailed Recognition by Routing Diverse Distribution-Aware Experts [64.71102030006422]
  我々は、RoutIng Diverse Experts (RIDE) と呼ばれる新しい長い尾の分類器を提案する。 複数の専門家とのモデルの分散を減らし、分布を考慮した多様性損失によるモデルバイアスを減らし、動的専門家ルーティングモジュールによる計算コストを削減します。 RIDEは、CIFAR100-LT、ImageNet-LT、iNaturalist 2018ベンチマークで最先端を5%から7%上回っている。
  論文  参考訳（メタデータ） (2020-10-05T06:53:44Z)

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。