論文の概要: Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching

• arxiv url: http://arxiv.org/abs/2507.07192v1
• Date: Wed, 09 Jul 2025 18:03:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.165577
• Title: Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching
• Title（参考訳）: 予測の最後のマイルを埋める:条件付きフローマッチングによる時系列予測の強化
• Authors: Huibo Xu, Runlong Yu, Likang Wu, Xianquan Wang, Qi Liu,
• Abstract要約: フローマッチングは、より高速な生成、高品質な出力、柔軟性を提供する。 Conditional Guided Flow Matching (CGFM) は補助モデルの出力を組み込んでフローマッチングを拡張する。 時系列予測タスクでは、履歴データを条件やガイダンスとして統合し、両側の条件付き確率パスを構築し、一般的なアフィンパスを使用して確率パスの空間を拡張する。
• 参考スコア（独自算出の注目度）: 9.465542901469815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models, a type of generative model, have shown promise in time series forecasting. But they face limitations like rigid source distributions and limited sampling paths, which hinder their performance. Flow matching offers faster generation, higher-quality outputs, and greater flexibility, while also possessing the ability to utilize valuable information from the prediction errors of prior models, which were previously inaccessible yet critically important. To address these challenges and fully unlock the untapped potential of flow matching, we propose Conditional Guided Flow Matching (CGFM). CGFM extends flow matching by incorporating the outputs of an auxiliary model, enabling a previously unattainable capability in the field: learning from the errors of the auxiliary model. For time series forecasting tasks, it integrates historical data as conditions and guidance, constructs two-sided conditional probability paths, and uses a general affine path to expand the space of probability paths, ultimately leading to improved predictions. Extensive experiments show that CGFM consistently enhances and outperforms state-of-the-art models, highlighting its effectiveness in advancing forecasting methods.
• Abstract（参考訳）: 生成モデルの一種である拡散モデルは、時系列予測において有望であることを示す。 しかし、厳格なソース分布や限られたサンプリングパスといった制限に直面しているため、パフォーマンスが損なわれます。 フローマッチングは、より高速な生成、高品質な出力、柔軟性を提供すると同時に、以前はアクセス不可能だったが批判的に重要だった以前のモデルの予測エラーから貴重な情報を利用する能力も備えている。 これらの課題に対処し、未解決のフローマッチングの可能性を完全に解き放つために、コンディションガイドフローマッチング(CGFM)を提案する。 CGFMは補助モデルの出力を組み込むことでフローマッチングを拡張し、補助モデルのエラーから学習する。 時系列予測タスクでは、履歴データを条件とガイダンスとして統合し、両側の条件付き確率パスを構築し、一般的なアフィンパスを使用して確率パスの空間を拡大し、最終的に予測を改善する。 大規模実験により、CGFMは最先端のモデルを継続的に強化し、性能を向上し、予測手法の進歩におけるその効果を強調している。

関連論文リスト

• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Solving Inverse Problems with FLAIR [59.02385492199431]
  フローベースの潜在生成モデルは、驚くべき品質の画像を生成でき、テキスト・ツー・イメージ生成も可能である。 本稿では,フローベース生成モデルを逆問題の前兆として活用する新しい学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• PO-Flow: Flow-based Generative Models for Sampling Potential Outcomes and Counterfactuals [14.980992014519165]
  PO-Flowは因果推論のための新しい連続正規化フロー(CNF)フレームワークである。 それは、個人化された潜在的な結果予測、反事実予測、不確実性認識密度学習のための統一されたフレームワークを提供する。 一連の因果推論タスクで先行メソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2025-05-21T22:02:48Z)
• Series-to-Series Diffusion Bridge Model [8.590453584544386]
  既存の拡散法を包含する包括的フレームワークを提案する。 拡散に基づく新しい時系列予測モデルであるシリーズ・ツー・シリーズ拡散ブリッジモデル(mathrmS2DBM$)を提案する。 実験の結果,$mathrmS2DBM$はポイントツーポイント予測において優れた性能を示すことがわかった。
  論文  参考訳（メタデータ） (2024-11-07T07:37:34Z)
• Flow Matching with Gaussian Process Priors for Probabilistic Time Series Forecasting [43.951394031702016]
  本稿では,ガウス過程,最適輸送経路,データ依存の事前分布を組み合わせた時系列の条件付きフローマッチング(CFM)モデルであるTSFlowを紹介する。 条件付きモデルと非条件付きモデルの両方が、複数の予測ベンチマークで競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-10-03T22:12:50Z)
• Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting [19.383395337330082]
  本稿では,CCDM(Contrastive Conditional Diffusion)モデルを提案する。 提案したCCDMは,現在最先端の拡散予測器と比較して優れた予測能力を示すことができる。
  論文  参考訳（メタデータ） (2024-10-03T03:13:15Z)
• 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)
• Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
  本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。 以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-10-12T08:51:59Z)
• 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)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)

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。