論文の概要: FlowPath: Learning Data-Driven Manifolds with Invertible Flows for Robust Irregularly-sampled Time Series Classification

• arxiv url: http://arxiv.org/abs/2511.10841v1
• Date: Thu, 13 Nov 2025 22:59:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.354098
• Title: FlowPath: Learning Data-Driven Manifolds with Invertible Flows for Robust Irregularly-sampled Time Series Classification
• Title（参考訳）: FlowPath: 不規則にサンプリングされた時系列分類のための可逆フローを用いたデータ駆動マニフォールドの学習
• Authors: YongKyung Oh, Dong-Young Lim, Sungil Kim,
• Abstract要約: 本研究では,制御経路の幾何学を可逆的ニューラルフローで学習する新しいアプローチであるFlowPathを提案する。 FlowPathは、固定補間体や非可逆アーキテクチャを用いて、ベースライン上の分類精度の統計的に有意な向上を実現していることを示す。
• 参考スコア（独自算出の注目度）: 14.643457217551484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling continuous-time dynamics from sparse and irregularly-sampled time series remains a fundamental challenge. Neural controlled differential equations provide a principled framework for such tasks, yet their performance is highly sensitive to the choice of control path constructed from discrete observations. Existing methods commonly employ fixed interpolation schemes, which impose simplistic geometric assumptions that often misrepresent the underlying data manifold, particularly under high missingness. We propose FlowPath, a novel approach that learns the geometry of the control path via an invertible neural flow. Rather than merely connecting observations, FlowPath constructs a continuous and data-adaptive manifold, guided by invertibility constraints that enforce information-preserving and well-behaved transformations. This inductive bias distinguishes FlowPath from prior unconstrained learnable path models. Empirical evaluations on 18 benchmark datasets and a real-world case study demonstrate that FlowPath consistently achieves statistically significant improvements in classification accuracy over baselines using fixed interpolants or non-invertible architectures. These results highlight the importance of modeling not only the dynamics along the path but also the geometry of the path itself, offering a robust and generalizable solution for learning from irregular time series.
• Abstract（参考訳）: スパースと不規則にサンプリングされた時系列からの連続時間ダイナミクスのモデリングは、依然として根本的な課題である。 ニューラル制御微分方程式はそのようなタスクの原理的な枠組みを提供するが、その性能は離散的な観測から構築された制御経路の選択に非常に敏感である。 既存の手法では固定補間スキームが一般的であり、特に高い欠如の下では、基礎となるデータ多様体を誤って表現する単純な幾何学的仮定を課す。 本研究では,制御経路の幾何学を可逆的ニューラルフローで学習する新しいアプローチであるFlowPathを提案する。 単に観測を繋ぐのではなく、FlowPathは情報保存や良好な変換を強制する可逆性制約によって導かれる連続的かつデータ適応的な多様体を構築する。 この帰納バイアスは、FlowPathと事前の制約のない学習可能なパスモデルとを区別する。 18のベンチマークデータセットに関する実証的な評価と実世界のケーススタディにより、FlowPathは固定補間体や非可逆アーキテクチャを用いて、ベースライン上の分類精度の統計的に重要な改善を一貫して達成している。 これらの結果は、経路に沿った力学だけでなく、経路自体の幾何学もモデル化することの重要性を強調し、不規則な時系列から学習するための堅牢で一般化可能な解を提供する。

関連論文リスト

• Curly Flow Matching for Learning Non-gradient Field Dynamics [49.480209466896035]
  非勾配場力学を学習するための新しいアプローチであるCurly Flow Matching (Curly-FM)を導入する。 Curly-FMは、Schr"odinger Bridge問題の設計と解決によって、非勾配場力学を学習することができる。 Curly-FMは、基準プロセスと人口限界の両方に適合する軌道を学習することができる。
  論文  参考訳（メタデータ） (2025-10-30T16:11:39Z)
• Longitudinal Flow Matching for Trajectory Modeling [7.063657100587108]
  本稿では,複数の観測時間点に一致した連続的ダイナミクスを学習するフレームワークIMMFMを提案する。 IMMFMは内在性を捉え、不規則なスパースサンプリングを処理し、被検体固有の軌道を得る。 合成ベンチマークと実世界の時系列データセットの実験により、IMMFMは予測精度と下流タスクの両方において既存の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-03T23:33:50Z)
• Semi-parametric Functional Classification via Path Signatures Logistic Regression [1.210026603224224]
  本稿では,ベクトル値関数データを分類するための半パラメトリックフレームワークであるPath Signatures Logistic Regressionを提案する。 この結果は, 粗い経路理論を現代的な関数型データ解析に組み込むことの実用的, 理論的利点を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-07-09T08:06:50Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する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)
• FlowDAS: A Stochastic Interpolant-based Framework for Data Assimilation [15.64941169350615]
  データ同化(DA)は、PDEが支配するシステムの状態を推定するために、動的モデルと観測を統合する。 FlowDASは、間補体を使用して状態遷移ダイナミクスを学習する生成DAフレームワークである。 本研究では,FlowDASがモデル駆動法,ニューラル演算子,スコアベースベースラインを超える精度と物理的妥当性を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:03:41Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Gradient-Based Feature Learning under Structured Data [57.76552698981579]
  異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。 バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。 特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
  論文  参考訳（メタデータ） (2023-09-07T16:55:50Z)
• Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow [32.459587479351846]
  我々は、(神経)常微分方程式(ODE)モデルを学ぶための驚くほど単純なアプローチである整流流を提示する。 補正フローは画像生成,画像から画像への変換,ドメイン適応に優しく作用することを示す。
  論文  参考訳（メタデータ） (2022-09-07T08:59:55Z)
• Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
  アイソメトリーを用いて、多様体学習と密度推定を分離する。 また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
  論文  参考訳（メタデータ） (2022-03-08T08:57:43Z)

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。