論文の概要: Select, then Balance: A Plug-and-Play Framework for Exogenous-Aware Spatio-Temporal Forecasting

• arxiv url: http://arxiv.org/abs/2509.05779v1
• Date: Sat, 06 Sep 2025 17:22:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.710765
• Title: Select, then Balance: A Plug-and-Play Framework for Exogenous-Aware Spatio-Temporal Forecasting
• Title（参考訳）: Select, then Balance: Exogenous-Aware Spatio-Temporal ForecastingのためのPlug-and-Playフレームワーク
• Authors: Wei Chen, Yuqian Wu, Yuanshao Zhu, Xixuan Hao, Shiyu Wang, Yuxuan Liang,
• Abstract要約: 既存のソリューションは、限られた数の観測対象変数を使用したモデリングのみに焦点を当てている。 本稿では,時間的下線量の予測をモデル化する新しいフレームワーク「モデル」を紹介する。 実世界のデータセットに関する実験は,提案フレームワークの有効性,汎用性,堅牢性,効率性を実証している。
• 参考スコア（独自算出の注目度）: 39.49890834492688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal forecasting aims to predict the future state of dynamic systems and plays an important role in multiple fields. However, existing solutions only focus on modeling using a limited number of observed target variables. In real-world scenarios, exogenous variables can be integrated into the model as additional input features and associated with the target signal to promote forecast accuracy. Although promising, this still encounters two challenges: the inconsistent effects of different exogenous variables to the target system, and the imbalance effects between historical variables and future variables. To address these challenges, this paper introduces \model, a novel framework for modeling \underline{exo}genous variables in \underline{s}patio-\underline{t}emporal forecasting, which follows a ``select, then balance'' paradigm. Specifically, we first construct a latent space gated expert module, where fused exogenous information is projected into a latent space to dynamically select and recompose salient signals via specialized sub-experts. Furthermore, we design a siamese network architecture in which recomposed representations of past and future exogenous variables are fed into dual-branch spatio-temporal backbones to capture dynamic patterns. The outputs are integrated through a context-aware weighting mechanism to achieve dynamic balance during the modeling process. Extensive experiments on real-world datasets demonstrate the effectiveness, generality, robustness, and efficiency of our proposed framework.
• Abstract（参考訳）: 時空間予測は、動的システムの将来の状態を予測することを目的としており、複数の分野において重要な役割を果たす。 しかし、既存のソリューションは、限られた数の観測対象変数を用いたモデリングのみに焦点を当てている。 実世界のシナリオでは、外生変数を追加の入力特徴としてモデルに統合し、ターゲット信号と関連付けて予測精度を向上することができる。 これは有望ではあるが、異なる外生変数のターゲットシステムに対する不整合効果と、歴史的変数と将来の変数の間の不均衡効果という2つの課題に直面している。 これらの課題に対処するため,本論文では,‘select, then balance'パラダイムに従って,‘underline{s}patio-\underline{t}emporal forecasting’において, \underline{exo}固有変数をモデル化するための新しいフレームワークである‘model’を紹介する。 具体的には、まず潜伏空間のゲート・エキスパート・モジュールを構築し、融合した外因性情報を潜伏空間に投影し、特殊サブエキスパートを介して局所的な信号の動的選択と再構成を行う。 さらに,過去と将来の外因性変数の再構成表現を,動的パターンを捉えるために,二重分岐時空間のバックボーンに入力するザイムネットワークアーキテクチャを設計する。 出力はコンテキスト対応の重み付け機構を通じて統合され、モデリングプロセス中に動的バランスを達成する。 実世界のデータセットに関する大規模な実験は,提案フレームワークの有効性,汎用性,堅牢性,効率性を実証している。

関連論文リスト

• Beyond Static Models: Hypernetworks for Adaptive and Generalizable Forecasting in Complex Parametric Dynamical Systems [0.0]
  補間ネットワーク学習のためのパラメトリックハイパーネットワーク(PHLieNet)について紹介する。 PHLieNetはパラメータ空間から非線形埋め込みへのグローバルマッピングと、推論埋め込みから動的伝播ネットワークの重みへのマッピングを同時に学習する。 観測よりもモデルの空間を補間することにより、PHLieNetはパラメータ化されたシステム挙動間のスムーズな遷移を促進する。
  論文  参考訳（メタデータ） (2025-06-24T13:22:49Z)
• Enhanced Prediction of Multi-Agent Trajectories via Control Inference and State-Space Dynamics [14.694200929205975]
  本稿では,状態空間動的システムモデリングに基づく軌道予測の新しい手法を提案する。 動的システムにおける状態推定の精度を高めるために,制御変数に対する新しいモデリング手法を提案する。 提案手法は,グラフニューラルネットワークと状態空間モデルを統合し,マルチエージェント相互作用の複雑さを効果的に捉える。
  論文  参考訳（メタデータ） (2024-08-08T08:33:02Z)
• Disentangled Neural Relational Inference for Interpretable Motion Prediction [38.40799770648501]
  グラフベース表現と時系列モデルを統合した変分自動エンコーダフレームワークを開発した。 本モデルでは,対話を特徴付ける解釈可能なエッジ特徴を付加した動的相互作用グラフを推論する。 シミュレーションと実世界の両方のデータセットに関する広範な実験を通じて、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2024-01-07T22:49:24Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Learning Interacting Dynamical Systems with Latent Gaussian Process ODEs [13.436770170612295]
  本研究では,対話対象の連続時間力学の不確実性を考慮したモデリングを初めて行った。 我々のモデルは、独立力学と信頼性のある不確実性推定との相互作用の両方を推測する。
  論文  参考訳（メタデータ） (2022-05-24T08:36:25Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Disentangled Generative Models for Robust Prediction of System Dynamics [2.6424064030995957]
  本研究では,動的システムの領域パラメータをデータ生成過程の変動要因として扱う。 教師付き不整合と因果分解のアイデアを活用することにより、生成モデルの潜在空間における力学から領域パラメータを分離することを目指す。 その結果,不整合VAEはトレーニングデータに存在しない領域パラメータ空間に適応することが示唆された。
  論文  参考訳（メタデータ） (2021-08-26T09:58:06Z)

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。