論文の概要: Learning from History: A Retrieval-Augmented Framework for Spatiotemporal Prediction

• arxiv url: http://arxiv.org/abs/2510.24049v1
• Date: Tue, 28 Oct 2025 04:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.751647
• Title: Learning from History: A Retrieval-Augmented Framework for Spatiotemporal Prediction
• Title（参考訳）: 歴史から学ぶ:時空間予測のための検索拡張フレームワーク
• Authors: Hao Jia, Penghao Zhao, Hao Wu, Yuan Gao, Yangyu Tao, Bin Cui,
• Abstract要約: 我々は,新しいtextbfRetrieval-Augmented Prediction (RAP) フレームワークを提案する。 RAPは、システムの局所力学の非パラメトリック推定として、歴史的進化の分岐を利用する。 RAPは、長期ロールアウトにおけるエラーを効果的に抑制することで、より物理的に現実的な予測を生成する。
• 参考スコア（独自算出の注目度）: 20.253637183604756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and long-term spatiotemporal prediction for complex physical systems remains a fundamental challenge in scientific computing. While deep learning models, as powerful parametric approximators, have shown remarkable success, they suffer from a critical limitation: the accumulation of errors during long-term autoregressive rollouts often leads to physically implausible artifacts. This deficiency arises from their purely parametric nature, which struggles to capture the full constraints of a system's intrinsic dynamics. To address this, we introduce a novel \textbf{Retrieval-Augmented Prediction (RAP)} framework, a hybrid paradigm that synergizes the predictive power of deep networks with the grounded truth of historical data. The core philosophy of RAP is to leverage historical evolutionary exemplars as a non-parametric estimate of the system's local dynamics. For any given state, RAP efficiently retrieves the most similar historical analog from a large-scale database. The true future evolution of this analog then serves as a \textbf{reference target}. Critically, this target is not a hard constraint in the loss function but rather a powerful conditional input to a specialized dual-stream architecture. It provides strong \textbf{dynamic guidance}, steering the model's predictions towards physically viable trajectories. In extensive benchmarks across meteorology, turbulence, and fire simulation, RAP not only surpasses state-of-the-art methods but also significantly outperforms a strong \textbf{analog-only forecasting baseline}. More importantly, RAP generates predictions that are more physically realistic by effectively suppressing error divergence in long-term rollouts.
• Abstract（参考訳）: 複雑な物理系の正確な長期時空間予測は、科学計算における根本的な課題である。 ディープラーニングモデルは、強力なパラメトリック近似器として顕著な成功を収めているが、それらは致命的な限界に悩まされている。 この欠損は純粋にパラメトリックな性質から生じ、システム固有の力学の完全な制約を捉えるのに苦労する。 これを解決するために,歴史データの真理を基礎とした深層ネットワークの予測力を相乗化するハイブリッドパラダイムである,新しい「textbf{Retrieval-Augmented Prediction (RAP)」フレームワークを導入する。 RAPの中核となる哲学は、システムの局所力学の非パラメトリック推定として、歴史的進化の先例を活用することである。 任意の状態において、RAPは大規模データベースから最も類似した歴史的アナログを効率的に取得する。 このアナログの真の将来の進化は、次に \textbf{reference target} として機能する。 批判的に言えば、このターゲットは損失関数の厳しい制約ではなく、特殊なデュアルストリームアーキテクチャへの強力な条件入力である。 強力な \textbf{dynamic guidance} を提供し、物理的に実行可能な軌道に対するモデルの予測を操縦する。 気象学、乱流、火災シミュレーションの広範なベンチマークにおいて、RAPは最先端の手法を超越するだけでなく、強力な \textbf{analog-only forecasting baseline をはるかに上回っている。 さらに重要なことは、RAPは長期ロールアウトにおけるエラーの発散を効果的に抑制することで、より物理的に現実的な予測を生成することである。

関連論文リスト

• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [74.56971641937771]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Differential-Integral Neural Operator for Long-Term Turbulence Forecasting [43.04613533979613]
  textbfunderlineDifferential-textbfunderlineIntegral textbfunderlineNeural textbfunderlineOperator (method) メソッドは、異なる物理演算子を学習する並列分岐による乱流進化を明示的にモデル化する。 数百のタイムステップにわたる誤差の蓄積をうまく抑制し、渦場とエネルギースペクトルの両方において高い忠実性を維持し、物理的に一貫した長距離乱流予測のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-09-25T14:08:26Z)
• Topology-Aware Conformal Prediction for Stream Networks [54.505880918607296]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Probabilistic forecasting for geosteering in fluvial successions using a generative adversarial network [0.0]
  リアルタイムデータに基づく高速更新は、プレドリルモデルで高い不確実性を持つ複雑な貯水池での掘削に不可欠である。 本稿では, フラビアル継承の地質学的に一貫した2次元断面を再現するためのGAN(generative adversarial Deep Neural Network)を提案する。 この手法は不確実性を低減し, 掘削ビットより500m先にある主要な地質特性を正確に予測する。
  論文  参考訳（メタデータ） (2022-07-04T12:52:38Z)

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。