サンプルからシナリオへ：確率的予測における新たなパラダイム
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19975v1 発表種別：新規
概要：最先端の確率的時系列予測モデルの大部分は、将来の不確実性を表現するためにサンプリングに依存している。しかし、このパラダイムは、明示的な確率の欠如、不十分なカバレッジ、高い計算コストなど、固有の限界を抱えている。本研究では、サンプリングの限界に対処するために設計された代替パラダイムである**Probabilistic Scenarios**を提案する。これは、{シナリオ、確率}の有限集合を直接生成することにより、モンテカルロのような近似を回避する。このパラダイムを検証するために、わずか3つの並列線形層で構成されるシンプルなモデル**TimePrism**を提案する。驚くべきことに、TimePrismは、2つの指標において5つのベンチマークデータセット全体で、10個の最先端の結果のうち9個を達成した。我々のパラダイムの有効性は、学習目標の基本的な再定義によるものである。連続確率空間全体をモデル化する代わりに、モデルは、妥当なシナリオと対応する確率の集合を表現することを学習する。本研究は、Probabilistic Scenariosパラダイムの可能性を示し、サンプリングを超えた予測における有望な研究方向を開拓する。
原文（英語）を表示
Title (EN): From Samples to Scenarios: A New Paradigm for Probabilistic Forecasting
arXiv:2509.19975v1 Announce Type: new
Abstract: Most state-of-the-art probabilistic time series forecasting models rely on sampling to represent future uncertainty. However, this paradigm suffers from inherent limitations, such as lacking explicit probabilities, inadequate coverage, and high computational costs. In this work, we introduce \textbf{Probabilistic Scenarios}, an alternative paradigm designed to address the limitations of sampling. It operates by directly producing a finite set of \{Scenario, Probability\} pairs, thus avoiding Monte Carlo-like approximation. To validate this paradigm, we propose \textbf{TimePrism}, a simple model composed of only three parallel linear layers. Surprisingly, TimePrism achieves 9 out of 10 state-of-the-art results across five benchmark datasets on two metrics. The effectiveness of our paradigm comes from a fundamental reframing of the learning objective. Instead of modeling an entire continuous probability space, the model learns to represent a set of plausible scenarios and corresponding probabilities. Our work demonstrates the potential of the Probabilistic Scenarios paradigm, opening a promising research direction in forecasting beyond sampling.
Published: 2025-09-24 19:00 UTC