論文の概要: FaCoDiff: Factor-Correlated Diffusion for Multivariate Probabilistic Forecasting
- arxiv url: http://arxiv.org/abs/2611.06166v1
- Date: Wed, 04 Nov 2026 08:47:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.031856
- Title: FaCoDiff: Factor-Correlated Diffusion for Multivariate Probabilistic Forecasting
- Title（参考訳）: FaCoDiff:多変量確率予測のための因子関連拡散
- Abstract要約: 多変量確率予測は、限界不確実性と共に多変量依存をモデル化する必要がある。
本稿では, 条件付き統計的推定器と構造的認知を結合したFacter-Correlated Diffusion (FaCoDiff)を提案する。
FaCoDiffは、54のデータセットメトリックの組み合わせのうち、上位2つにランクインした8つのデータセットにおいて、最も低い平均偏差スコアを達成している。
- 参考スコア（独自算出の注目度）: 12.501114170480717
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate probabilistic forecasting requires modeling cross-variable dependence alongside marginal uncertainty. The challenge is to learn this dependence while controlling marginal noise scales and avoiding dense covariance costs. We propose Factor-Correlated Diffusion (FaCoDiff), which couples a compact conditional statistical estimator with structured denoising. History-conditioned factor loadings use distinct coefficients for forecast-center correction, scale adjustment and noise dependence. Diagonal compensation preserves the estimated marginal noise variances, while low-rank operators enable residual Gaussian likelihood evaluation and noise transport without dense covariance storage or factorization. Factor-derived feature modulation explicitly conditions the denoiser, and a geometry-aware objective accounts for errors after noise transport. The same conditional geometry governs forward perturbations and reverse sampling. Across nine datasets, FaCoDiff achieves the lowest mean variogram score on eight datasets and ranks among the top two on 43 of 54 dataset-metric combinations in the reported comparisons. Matched ablations on Solar and Weather show that factor covariance improves mean Energy and Variogram scores under all four combinations of center and scale correction. Disrupting cross-variable sample pairings while preserving marginal trajectories worsens joint and aggregate scores on both datasets, demonstrating the predictive value of generated cross-variable dependence.
- Abstract（参考訳）: 多変量確率予測は、限界不確実性を伴う多変量依存をモデル化する必要がある。
課題は、境界雑音尺度を制御し、高密度な共分散コストを回避しながら、この依存を学習することである。
本稿では,Facter-Correlated Diffusion (FaCoDiff)を提案する。
履歴条件付き因子負荷は、予測中心補正、スケール調整、ノイズ依存に異なる係数を使用する。
対角補償は推定限界雑音の分散を保ち、低ランク演算子は高密度な共分散記憶や分解のない残留ガウス確率評価と雑音伝達を可能にする。
要因に基づく特徴変調は、明らかにノイズ伝達後の誤差をデノイザと幾何学的対象物として記述する。
同じ条件幾何学は前方摂動と逆サンプリングを支配している。
9つのデータセットにわたって、FaCoDiffは、報告された比較において、54のデータセットメトリックの組み合わせのうち、上位2つと上位2つの中で、最も低い平均ヴァリグラムスコアを達成している。
太陽と気象の一致により、係数の共分散は、中心補正とスケール補正の4つの組み合わせで平均エネルギーとヴァリグラムのスコアを改善することが示されている。
境界軌道を保ちながらクロス変数のサンプルペアリングを乱すことは、両方のデータセットのジョイントとアグリゲーションスコアを悪化させ、生成されたクロス変数依存の予測値を示す。
関連論文リスト
- Federated Estimation of Loading Spaces in Tensor Factor Models under Differential Privacy [5.635920304725715]
差分プライバシー下でのタッカーテンソル係数モデルにおける共通荷重空間の推定について検討した。
局所誤差率のスケールド・ハーモニック平均によって支配される非漸近上界を確立する。
ノイズレベルやクライアント固有の要因の強度を知らずに、局所的なチューニングパラメータとアグリゲーション重みを選択するプライベートキャリブレーション手法を開発した。
論文 参考訳（メタデータ） (2026-11-01T13:45:18Z) - The Noise Plane: A Diffusion Bridge Across Exponent and Dispersion [1.946172784348529]
$p$-Bridgeは、Tweedieノイズのための統一された測定インデックス拡散フレームワークである。
ノイズ指数$p$は分散強度関係を記述し、累積測定$$はノイズレベルを制御する。
1つの指数条件付きネットワークは、各指数に対する個別のトレーニングなしで異なるツイーディノイズモデルに適応する。
論文 参考訳（メタデータ） (2026-10-27T17:19:45Z) - State estimations and noise identifications with intermittent corrupted observations via Bayesian variational inference [7.758003720510634]
ベイズ変分推論問題として,システム状態,ノイズパラメータ,ネットワーク信頼性の合同推定を定式化する。
本稿では,潜在パラメータの結合後確率密度を近似するために,新しい変分ベイズ適応カルマンフィルタ(VB-AKF)を提案する。
論文 参考訳（メタデータ） (2026-04-03T05:20:49Z) - Spatially Robust Inference with Predicted and Missing at Random Labels [2.5574009994099196]
交差フィットは空間分散推定器を歪ませ、不安定あるいは過度に保守的な信頼区間を生じる折りたたみレベルの相関を誘導することを示す。
また、折りたたみ雑音から依存を分離するジャックニフェ空間異方性と自動整合性(HAC)の分散補正を提案する。
論文 参考訳（メタデータ） (2026-03-11T23:14:21Z) - An Elementary Approach to Scheduling in Generative Diffusion Models [55.171367482496755]
生成拡散モデルにおけるノイズスケジューリングと時間離散化の影響を特徴付けるための基礎的手法を開発した。
異なるデータセットと事前訓練されたモデルにわたる実験により、我々のアプローチによって選択された時間離散化戦略が、ベースラインとサーチベースの戦略を一貫して上回ることを示した。
論文 参考訳（メタデータ） (2026-01-20T05:06:26Z) - Variance-Reduced Diffusion Sampling via Target Score Identity [0.0]
クリーンな(ターゲット)スコアが利用可能か,あるいは近似可能な設定において,スコア推定と拡散に基づくサンプリングの分散化について検討した。
我々は、標準の逆時間解法と互換性のあるプラグアンドプレイ非パラメトリックな自己正規化重要度サンプリング推定器を開発した。
PDE-Governed Inverse問題と合成ターゲット実験により, 固定シミュレーション予算に対する試料品質の改善が示された。
論文 参考訳（メタデータ） (2026-01-04T16:46:31Z) - Spatial Reasoning with Denoising Models [49.83744014336816]
本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。
初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。
これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
論文 参考訳（メタデータ） (2025-02-28T14:08:30Z) - Semiparametric conformal prediction [79.6147286161434]
ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。
スコアの累積分布関数(CDF)を柔軟に推定する。
提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - Effective Causal Discovery under Identifiable Heteroscedastic Noise Model [45.98718860540588]
因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。
本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。
次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-12-20T08:51:58Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z)
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。