Realismo vs accuratezza: la previsione di sequenze di eventi nella prospettiva della modellazione generativa

Abstract degli autori

Le sequenze di eventi sono catene di eventi casuali, ciascuno descritto da caratteristiche eterogenee, numeriche e categoriche. Il problema di prevedere queste sequenze si presenta nella finanza, nella sanità, nell’analisi dei processi aziendali e in altri ambiti. In questo lavoro studiamo la previsione di sequenze di eventi su più orizzonti come problema di modellazione generativa condizionata. Valutiamo le previsioni non solo in base all’accuratezza, ma anche al realismo distribuzionale. A questo scopo presentiamo un benchmark che comprende metriche per entrambi gli aspetti della qualità, solide baseline statistiche, modelli recenti adattati da ambiti affini e dataset reali curati. Una valutazione attenta rivela che nessun metodo eccelle sia nell’accuratezza sia nel realismo, mettendo in luce un compromesso fondamentale tra i due. Infine, introduciamo Wasserstein BaryBooster, un algoritmo che aggrega campioni di un modello di diffusione dall’elevato realismo in un predittore all’avanguardia, dimostrando che il realismo distribuzionale può tradursi in accuratezza delle previsioni. Il codice è disponibile all’indirizzo https://github.com/xaosina/event-sequence-forecasting.