論文の概要: Probabilistic Forecasting via Autoregressive Flow Matching

• arxiv url: http://arxiv.org/abs/2503.10375v1
• Date: Thu, 13 Mar 2025 13:54:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:51:54.157870
• Title: Probabilistic Forecasting via Autoregressive Flow Matching
• Title（参考訳）: 自己回帰フローマッチングによる確率予測
• Authors: Ahmed El-Gazzar, Marcel van Gerven,
• Abstract要約: FlowTimeは、時系列データの確率予測のための生成モデルである。 我々は、将来の観測の連成分布を条件密度の列に分解し、それぞれが共有フローを介してモデル化される。 本研究では,複数の動的システムおよび実世界の予測タスクにおけるFlowTimeの有効性を示す。
• 参考スコア（独自算出の注目度）: 1.5467259918426441
• License:
• Abstract: In this work, we propose FlowTime, a generative model for probabilistic forecasting of multivariate timeseries data. Given historical measurements and optional future covariates, we formulate forecasting as sampling from a learned conditional distribution over future trajectories. Specifically, we decompose the joint distribution of future observations into a sequence of conditional densities, each modeled via a shared flow that transforms a simple base distribution into the next observation distribution, conditioned on observed covariates. To achieve this, we leverage the flow matching (FM) framework, enabling scalable and simulation-free learning of these transformations. By combining this factorization with the FM objective, FlowTime retains the benefits of autoregressive models -- including strong extrapolation performance, compact model size, and well-calibrated uncertainty estimates -- while also capturing complex multi-modal conditional distributions, as seen in modern transport-based generative models. We demonstrate the effectiveness of FlowTime on multiple dynamical systems and real-world forecasting tasks.
• Abstract（参考訳）: 本研究では,多変量時系列データの確率予測のための生成モデルであるFlowTimeを提案する。 過去の測定値と任意の将来の共変量を考えると、将来の軌道上の学習条件分布からのサンプリングとして予測を定式化する。 具体的には、将来の観測の連成分布を条件密度列に分解し、それぞれが共有フローによってモデル化され、観測された共変量に基づいて、単純な基底分布を次の観測分布に変換する。 これを実現するために、フローマッチング(FM)フレームワークを活用し、これらの変換のスケーラブルでシミュレーション不要な学習を可能にする。 この分解とFMの目的を組み合わせることで、FlowTimeは、強力な外挿性能、コンパクトモデルサイズ、不確実性の推定など、自己回帰モデルの利点を保ちながら、モダンなトランスポートベースの生成モデルに見られるような、複雑なマルチモーダル条件分布をキャプチャする。 本研究では,複数の動的システムおよび実世界の予測タスクにおけるFlowTimeの有効性を示す。

関連論文リスト

• Recurrent Interpolants for Probabilistic Time Series Prediction [10.422645245061899]
  リカレントニューラルネットワークやトランスフォーマーのような逐次モデルは、確率的時系列予測の標準となっている。 近年の研究では、拡散モデルやフローベースモデルを用いて、時系列計算や予測に拡張した生成的アプローチについて検討している。 本研究は、補間剤と制御機能付き条件生成に基づく、リカレントニューラルネットワークの効率と拡散モデルの確率的モデリングを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-18T03:52:48Z)
• Probabilistic Forecasting with Stochastic Interpolants and Föllmer Processes [18.344934424278048]
  生成モデルに基づく動的システムの確率的予測のためのフレームワークを提案する。 このSDEのドリフトと拡散係数は訓練後に調整できることを示し、推定誤差の影響を最小限に抑える特定の選択がF"ollmerプロセスを与えることを示した。
  論文  参考訳（メタデータ） (2024-03-20T16:33:06Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• DynaConF: Dynamic Forecasting of Non-Stationary Time Series [4.286546152336783]
  非定常条件分布を時間とともにモデル化する新しい手法を提案する。 我々のモデルは、最先端のディープラーニングソリューションよりも定常的でない時系列に適応できることを示します。
  論文  参考訳（メタデータ） (2022-09-17T21:40:02Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• Flow-based Spatio-Temporal Structured Prediction of Motion Dynamics [21.24885597341643]
  条件付き流れ (CNF) は、高次元と相互相関を持つ複雑な分布を表現できるフレキシブルな生成モデルである。 本研究では,時間的入力特徴の出力を自己回帰的に正規化する新しい手法としてMotionFlowを提案する。 本稿では,予測,動き予測時系列予測,二分節分割などのタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2021-04-09T14:30:35Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Autoregressive Denoising Diffusion Models for Multivariate Probabilistic Time Series Forecasting [4.1573460459258245]
  拡散確率モデル(拡散確率モデル)は、スコアマッチングやエネルギーベースの手法と密接に結びついている潜在変数モデルのクラスである。 我々のモデルは、データ可能性の変動境界を最適化して勾配を学習し、推論時にホワイトノイズを関心の分布のサンプルに変換する。
  論文  参考訳（メタデータ） (2021-01-28T15:46:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。