論文の概要: FlowNet: Modeling Dynamic Spatio-Temporal Systems via Flow Propagation

• arxiv url: http://arxiv.org/abs/2511.05595v1
• Date: Wed, 05 Nov 2025 14:06:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.481588
• Title: FlowNet: Modeling Dynamic Spatio-Temporal Systems via Flow Propagation
• Title（参考訳）: FlowNet:フロー伝搬による動的時空間系のモデリング
• Authors: Yutong Feng, Xu Liu, Yutong Xia, Yuxuan Liang,
• Abstract要約: 複雑な動的時間系の正確なモデリングには、フロー媒介の相互依存性と文脈に敏感な相互作用のダイナミクスを捉える必要がある。 既存の方法は、主にグラフベースまたは注目駆動であり、システムの進化を管理する非対称なフロー交換である類似性駆動の接続仮定に依存している。 本研究では,物理に着想を得たパラダイムである時空間流を提案する。 実験によると、FlowNetは3つの現実世界のシステムのモデリングにおいて、既存の7つのメトリクスに対する最先端のアプローチを著しく上回り、その効率性と物理的解釈可能性を検証する。
• 参考スコア（独自算出の注目度）: 43.89691389856747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately modeling complex dynamic spatio-temporal systems requires capturing flow-mediated interdependencies and context-sensitive interaction dynamics. Existing methods, predominantly graph-based or attention-driven, rely on similarity-driven connectivity assumptions, neglecting asymmetric flow exchanges that govern system evolution. We propose Spatio-Temporal Flow, a physics-inspired paradigm that explicitly models dynamic node couplings through quantifiable flow transfers governed by conservation principles. Building on this, we design FlowNet, a novel architecture leveraging flow tokens as information carriers to simulate source-to-destination transfers via Flow Allocation Modules, ensuring state redistribution aligns with conservation laws. FlowNet dynamically adjusts the interaction radius through an Adaptive Spatial Masking module, suppressing irrelevant noise while enabling context-aware propagation. A cascaded architecture enhances scalability and nonlinear representation capacity. Experiments demonstrate that FlowNet significantly outperforms existing state-of-the-art approaches on seven metrics in the modeling of three real-world systems, validating its efficiency and physical interpretability. We establish a principled methodology for modeling complex systems through spatio-temporal flow interactions.
• Abstract（参考訳）: 複雑な動的時空間系を正確にモデル化するには、フロー媒介の相互依存性と文脈に敏感な相互作用のダイナミクスを捉える必要がある。 既存の方法は、主にグラフベースまたは注意駆動であり、類似性駆動の接続仮定に依存し、システムの進化を管理する非対称なフロー交換を無視している。 物理に着想を得たパラダイムであるSpatio-Temporal Flowを提案する。 これに基づいて,フロートークンを情報担体として活用した新しいアーキテクチャであるFlowNetを設計し,Flow Allocation Modulesによるソース・ツー・デスティネーション転送をシミュレートし,状態の再分配と保存法則の整合性を確保する。 FlowNetは、適応空間マスキングモジュールを介して相互作用半径を動的に調整し、コンテキスト対応の伝搬を可能にしながら、無関係なノイズを抑制する。 カスケードアーキテクチャはスケーラビリティと非線形表現能力を高める。 実験によると、FlowNetは3つの現実世界のシステムのモデリングにおいて、既存の7つのメトリクスに対する最先端のアプローチを著しく上回り、その効率性と物理的解釈可能性を検証する。 時空間流れの相互作用を通じて複雑なシステムをモデル化するための原理的方法論を確立する。

関連論文リスト

• Flow-Through Tensors: A Unified Computational Graph Architecture for Multi-Layer Transportation Network Optimization [20.685856719515026]
  Flow Throughs (FTT) は、原点のフロー、経路、確率、およびリンク移動時間を相互接続テンソルとして接続する統一的な計算グラフアーキテクチャである。 まず、以前に分離されたモデリング要素間で勾配に基づく最適化を可能にする一貫した数学的構造を確立する。 第2に、システム効率の正確な定量化により、時間、空間、ユーザグループのトラフィックパターンの多次元解析をサポートする。
  論文  参考訳（メタデータ） (2025-06-30T06:42:23Z)
• FlowMo: Variance-Based Flow Guidance for Coherent Motion in Video Generation [51.110607281391154]
  FlowMoは、テキスト・ビデオ・モデルにおける動きコヒーレンスを高めるためのトレーニング不要のガイダンス手法である。 時間次元のパッチワイドな分散を測定して動きのコヒーレンスを推定し、サンプリング中にこの分散を動的に減少させるためにモデルを導く。
  論文  参考訳（メタデータ） (2025-06-01T19:55:33Z)
• Rethinking Traffic Flow Forecasting: From Transition to Generatation [0.0]
  本稿では,交通流予測のための多分岐類似性変換器,すなわちEMBSFormerを提案する。 トラフィックフローに影響を与える要因はノードレベルのトラフィック生成とグラフレベルのトラフィック遷移であり、ノードの多周期性と相互作用パターンをそれぞれ記述している。 交通遷移において,グローバルノードの相互作用を維持するために時間的・空間的自己認識機構を用い,それぞれGNNと時間的共振器を用いて局所ノードの相互作用をモデル化する。
  論文  参考訳（メタデータ） (2025-04-19T09:52:39Z)
• Learning Effective Dynamics across Spatio-Temporal Scales of Complex Flows [4.798951413107239]
  本稿では,グラフニューラルネットワーク(GNN)とアテンションに基づく自己回帰モデルを活用したグラフベース効果的ダイナミクス学習(Graph-LED)を提案する。 本研究では,シリンダーを過ぎる流れや,レイノルズ数の範囲の後方方向のステップを流れる流れなど,流体力学の一連の問題に対する提案手法を評価する。
  論文  参考訳（メタデータ） (2025-02-11T22:14:30Z)
• TransFlower: An Explainable Transformer-Based Model with Flow-to-Flow Attention for Commuting Flow Prediction [18.232085070775835]
  通勤パターンの予測にフロー・ツー・フロー・アテンションを用いた,説明可能なトランスフォーマーベースのモデルであるTransFlowerを紹介した。 我々のモデルは、既存の手法を最大30.8%のCommon Part of Commutersで上回ります。
  論文  参考訳（メタデータ） (2024-02-23T16:00:04Z)
• Predicting fluid-structure interaction with graph neural networks [13.567118450260178]
  本稿では,流体-構造相互作用系の低次モデリングのための回転同変準モノリシックグラフニューラルネットワークフレームワークを提案する。 有限要素インスパイアされたハイパーグラフニューラルネットワークを用いて、システム全体の状態に基づいて流体状態の進化を予測する。 提案するフレームワークは,インターフェース記述をトラッキングし,少なくとも2000時間のロールアウト時に,安定かつ正確なシステム状態予測を提供する。
  論文  参考訳（メタデータ） (2022-10-09T07:42:23Z)
• Flowformer: Linearizing Transformers with Conservation Flows [77.25101425464773]
  本研究では,フローネットワーク理論に基づくインダクティブバイアスのないトランスフォーマーを線形化する。 ソースコンペティション用シンクの流入流と、シンクアロケーション用ソースの流出流をそれぞれ保存することにより、フローアテンションは本質的に情報的注意を発生させる。
  論文  参考訳（メタデータ） (2022-02-13T08:44:10Z)
• Generative Flows with Invertible Attentions [135.23766216657745]
  生成フローモデルに対する2種類の非可逆的注意機構を導入する。 フロー特徴写像の2分割毎に注意重みと入力表現を学習するために,分割に基づく注意機構を利用する。 提案手法は, トラクタブルジャコビアン行列を用いた非可逆アテンションモジュールをフローベースモデルの任意の位置にシームレスに統合する。
  論文  参考訳（メタデータ） (2021-06-07T20:43:04Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。