Theoretical Guarantees of Learning Ensembling Strategies with Applications to Time Series Forecasting
集成策略学习的理论保证及其时间序列预测应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确将堆叠集成理论应用于时间序列概率预测及预测期变化的权重，归入预测与时间序列。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
集成策略学习的理论保证及其时间序列预测应用
- 研究问题
- 从一族堆叠集成策略中按交叉验证表现选择模型，能否获得相对于最优策略的风险保证，并用于灵活的时间序列概率预测？
- 方法与思路
- 作者为有限或有限维策略族建立相对预言机最优策略的理论结果，并设计允许权重随预测对象、预测期和分位数变化的集成族。
- 材料陈述的贡献
- 摘要称所选堆叠策略不会比族内预言机最优策略差太多，扩展了既有理论，并报告所提出概率预测集成方法的实验性能收益。
- 阅读关注点
- 应核对风险界的损失函数、样本依赖和策略族复杂度条件，以及时间序列交叉验证是否避免信息泄漏并符合理论设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实。摘要未给出风险界常数、收敛速度或实验幅度，相对族内最优不等于普遍最优。
原文摘要
Ensembling is among the most popular tools in machine learning (ML) due to its effectiveness in minimizing variance and thus improving generalization. Most ensembling methods for black-box base learners fall under the umbrella of "stacked generalization," namely training an ML algorithm that takes the inferences from the base learners as input. While stacking has been widely applied in practice, its theoretical properties are poorly understood. In this paper, we prove a novel result, showing that choosing the best stacked generalization from a (finite or finite-dimensional) family of stacked generalizations based on cross-validated performance does not perform "much worse" than the oracle best. Our result strengthens and significantly extends the results in Van der Laan et al. (2007). Inspired by the theoretical analysis, we further propose a particular family of stacked generalizations in the context of probabilistic forecasting, each one with a different sensitivity for how much the ensemble weights are allowed to vary across items, timestamps in the forecast horizon, and quantiles. Experimental results demonstrate the performance gain of the proposed method.