論文の概要: From Forecasting to World Modeling: Can Temporal Foundation Models Recover Causal Response?
- arxiv url: http://arxiv.org/abs/2611.15009v1
- Date: Wed, 11 Nov 2026 04:08:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.007159
- Title: From Forecasting to World Modeling: Can Temporal Foundation Models Recover Causal Response?
- Title(参考訳): 予測から世界モデリングへ:時間的基礎モデルは因果反応を回復できるか?
- Abstract要約: 予測精度は、予測された価格効果の精度を示すものではない。
追加のコンテキストは予測を改善するが、価格の予測効果は改善しない。
器用変数は、計量学における標準的な治療法であり、特定の形で供給された場合にのみこの誤差を減少させる。
- 参考スコア(独自算出の注目度): 0.09558392439655013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A model that forecasts sales accurately can still mislead a retailer about how sales respond to a price change. We evaluate released tabular and time-series foundation models, as well as a foundation model pretrained specifically to estimate causal effects. We report three findings. First, forecast accuracy does not indicate the accuracy of the predicted effect of price, both on simulated data in which the true effect is known and on real retail sales records. Second, for the tabular foundation models, additional context improves forecasts but not the predicted effect of price. Third, instrumental variables, the standard remedy in econometrics, reduce this error only when supplied in a specific form and increase it for every model under confounding when supplied as raw instruments.
- Abstract(参考訳): 売上を正確に予測するモデルは、販売が価格変化にどう反応するかを小売業者に誤解させる可能性がある。
本研究は,表表および時系列の基礎モデルと,因果効果を推定するための基礎モデルについて検討した。
我々は3つの発見を報告した。
第一に、予測精度は、実際の効果が知られている模擬データと実際の小売販売記録の両方において、価格の予測効果の正確さを示すものではない。
第二に、表形式の基礎モデルでは、追加の文脈は予測を改善するが、価格の予測効果は改善しない。
第三に、計量学における標準的な治療法である器用変数は、特定の形態で供給された場合にのみこの誤差を減らし、原器として供給された場合のすべてのモデルに対してそれを増加させる。
関連論文リスト
- Forecasting Associations, Not Interventions: A Preregistered Causal Audit of Covariate-Aware Time Series Foundation Models [1.0152838128195467]
時系列基礎モデル(TSFM)は、制御変数の将来のパスを受け入れ、予測を返却し、What-ifクエリを招待する。
これらの解が条件付き斜面$partial E[Y|X]$か、介入効果$partial E[Y|do(X)]$かを3つのレベルで決定する。
ランダム化されたアクチュエータを持つ2つの物理的システムでは、事前訓練されたモデルが2-5x以下で応答し、ウィンドウ内共振を無視する。
論文 参考訳(メタデータ) (2026-10-22T20:01:50Z) - Can Language Models Learn to Forecast Stock Prices [64.57057883175987]
ポストトレーニングでは、検証可能な結果のタスクにおける言語モデルの性能が大幅に向上することが示されている。
ポストトレーニングは、財務予測性能を大幅に改善できることを示す。
論文 参考訳(メタデータ) (2026-09-29T07:34:39Z) - Alignment Forecasting: Predicting Misalignment From Training Data [14.691765737362195]
トレーニング前にアライメント障害を予測するタスクであるアライメント予測を導入する。
ALIGNMENTFORECASTBENCHは、17のターゲットモデル、32のデータセット、16の障害モードにまたがる5000以上の予測された質問のベンチマークです。
以上の結果から,SFT環境では,トレーニング前に多数のアライメント障害を予測できる可能性が示唆された。
論文 参考訳(メタデータ) (2026-09-19T07:23:51Z) - Repurposing Deep Limit Order Book Forecasting for Scenario-Conditioned Market Impact Modeling [49.590388401787834]
本稿では,機械的に有効な反事実メッセージの注入前後の予測者の予測分布を比較するモデルに依存しないフレームワークを提案する。
トランスフォーマーをベースとした予測器は、スピアマンの相関関係を0.99と97.2%と、実現した歴史的成果との方向性の一致で、シナリオランキングを回復した。
論文 参考訳(メタデータ) (2026-09-15T10:06:03Z) - Auditing and Fixing Economic Validity in Tabular Foundation Models for Discrete Choice [12.709654635425442]
タブラル基礎モデルは選択予測タスクにおいて高い精度を達成する。
しかし、彼らの予測は、それらのタスクが必要とする経済論理に反することが多い。
実用最大化フレームワークに基礎モデル予測を組み込む2段階のアダプタを提案する。
論文 参考訳(メタデータ) (2026-05-26T05:13:20Z) - Scaling Laws of Global Weather Models [57.27583619011988]
本稿では,モデル性能(検証損失)とモデルサイズ,データセットサイズ,計算予算の3つの主要な要因について検討する。
様々なモデルにおいて、Auroraは最も強力なデータスケーリングの挙動を示す。
我々の計算-最適分析は、固定された計算予算の下で、長いトレーニング期間にリソースを割り当てると、モデルサイズの増加よりもパフォーマンスが向上することを示している。
論文 参考訳(メタデータ) (2026-02-26T12:57:38Z) - Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting [0.0]
予測が販売水準を過小評価すると、企業は販売、不足、そして関連する市場での小売業者の評判に影響を及ぼす。
本研究は,高解像度のレンガとモルタルの小売データセットに適用した予測モデルを徹底的に評価する。
論文 参考訳(メタデータ) (2025-06-06T10:08:17Z) - Model error and its estimation, with particular application to loss
reserving [0.0]
本稿では,特に保険損失の保存に関して,予測誤差について考察する。
パラメータとモデル誤差の見積もりは絡み合っており、それらの解離は少なくとも困難であり、おそらく意味のあるものではない。
論文 参考訳(メタデータ) (2022-09-30T03:53:34Z) - Measuring Causal Effects of Data Statistics on Language Model's
`Factual' Predictions [59.284907093349425]
大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。
トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。
我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
論文 参考訳(メタデータ) (2022-07-28T17:36:24Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z)
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。