Concepts de base
ブラックボックスの回帰モデルに対して、効率的で信頼性の高い不確実性推定を提供する手法を提案する。
Résumé
本研究では、時系列予測のためのブラックボックスモデルに対して、効率的で信頼性の高い不確実性推定手法を提案している。
主な内容は以下の通り:
-
ガウシアンプロセス回帰を用いた代替モデルを構築し、ベースモデルの予測と不確実性を同時に推定する手法を提案した。この手法は計算コストが低く、ベースモデルに依存しない汎用的なアプローチである。
-
時系列予測のベンチマークデータセットを用いた実験により、提案手法が既存の不確実性推定手法(ブートストラップ法、組み込み手法など)よりも優れた性能を示すことを確認した。この結果は、線形回帰、ARIMA、勾配ブースティングなど、様々なベースモデルに対して成り立つ。
-
提案手法の性能を向上させるため、ベースモデルの予測結果を活用してサロゲートモデルの訓練を行う手法(BAMOES)を開発した。これにより、不確実性推定の精度がさらに向上した。
-
提案手法の計算コストは低く、ベースモデルの推論時に追加コストがほとんどかからないことを理論的に示した。
-
時系列予測以外の回帰問題にも適用可能であり、今後の発展が期待される。
Stats
時系列予測の基準モデルに対して、提案手法のMiscalibration Areaが1.862と最も小さい。
提案手法のRMSCEが1.946と最も小さい。
提案手法のENCEが2.06と最も小さい。
Citations
"Machine learning models play a vital role in time series forecasting. These models, however, often overlook an important element: point uncertainty estimates."
"Incorporating these estimates is crucial for effective risk management, informed model selection, and decision-making."
"The effectiveness of our approach is supported by experimental results. Using various time-series forecasting data, we found that our surrogate model-based technique delivers significantly more accurate confidence intervals."