Un filtre compact accélère la recherche de poids pour les prévisions
En termes simples
Un ensemble de prévision combine plusieurs modèles, mais choisir leurs poids après réception des données peut obliger à recalculer les intervalles de prédiction calibrés pour chaque candidat et chaque groupe. CALQA est un résumé de taille fixe qui filtre les choix de poids sans relire les lignes de données ; il peut aussi être fusionné avec d’autres résumés et ajusté lorsque des données sont supprimées.
Les chercheurs ont filtré les candidats avec CALQA, puis recalculé exactement les 100 choix les mieux classés. Sur cinq panneaux publics de prévision, leur score moyen sur les blocs mis de côté atteignait 99.95% de celui de la recherche exacte, et la recherche était plus rapide dans les 34 familles testées.
La recherche
Lorsque les poids d’un modèle de prévision sont choisis après réception des données, une calibration exacte peut obliger à réévaluer les mêmes lignes d’un groupe pour chaque candidat.
Un résumé compact peut-il réduire une recherche de grande ampleur tout en trouvant des intervalles calibrés proches de ceux obtenus par un recalcul exact pour la configuration retenue ?
CALQA filtre les poids d’un ensemble de prévision choisis après coup à partir d’un résumé agrégeable, puis vérifie exactement les meilleurs candidats avant de retenir une configuration.
Les chercheurs ont conçu CALQA, un résumé agrégeable qui filtre les poids candidats d’un ensemble sans relire les lignes de calibration. Il estime le décalage des intervalles de chaque candidat à partir d’histogrammes de scores par bloc stockés, puis un recalcul exact peut vérifier les choix les mieux classés.
Dans la recherche sur les panneaux publics, la vérification des 100 meilleurs choix a produit un score moyen de Winkler par bloc, mesuré sur des blocs mis de côté, égal à 99.95% de celui de la recherche exacte.
En réduisant le nombre de candidats nécessitant un recalcul à partir des lignes, le filtre a accéléré la recherche dans les 34 familles testées.
La proximité des scores de recherche ne garantit pas que les prévisions sélectionnées atteignent la couverture cible une fois déployées avec leurs décalages exacts : la couverture moyenne des blocs mis de côté était de 0,84 à 0,90 selon les familles, sous la cible de 0,9.
Lorsque la couverture nominale est nécessaire, l’article recommande de recalibrer la configuration retenue sur des blocs mis de côté.
Analyse
Détails
- Auteurs de l’article original
- Xiufeng Liu, Ruyu Liu, Yusen Liu, Huan Huo, Per Sieverts Nielsen
- Soumis à arXiv
- Licence
- arXiv non-exclusive