論文の概要: Generative forecasting with joint probability models

• arxiv url: http://arxiv.org/abs/2512.24446v1
• Date: Tue, 30 Dec 2025 20:00:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.480201
• Title: Generative forecasting with joint probability models
• Title（参考訳）: 連立確率モデルによる生成予測
• Authors: Patrick Wyrod, Ashesh Chattopadhyay, Daniele Venturi,
• Abstract要約: カオス力学系は初期条件に対して強い感度を示し、しばしば未解決のマルチスケールプロセスを含む。 生成モデルは、可算なシステムの進化よりも分布を学習することで、魅力的な代替手段を提供する。 共同生成モデルにより,短期予測能力の向上,アトラクタ幾何の保存,およびより正確な長距離統計的挙動が得られた。
• 参考スコア（独自算出の注目度）: 2.8367488114717094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chaotic dynamical systems exhibit strong sensitivity to initial conditions and often contain unresolved multiscale processes, making deterministic forecasting fundamentally limited. Generative models offer an appealing alternative by learning distributions over plausible system evolutions; yet, most existing approaches focus on next-step conditional prediction rather than the structure of the underlying dynamics. In this work, we reframe forecasting as a fully generative problem by learning the joint probability distribution of lagged system states over short temporal windows and obtaining forecasts through marginalization. This new perspective allows the model to capture nonlinear temporal dependencies, represent multistep trajectory segments, and produce next-step predictions consistent with the learned joint distribution. We also introduce a general, model-agnostic training and inference framework for joint generative forecasting and show how it enables assessment of forecast robustness and reliability using three complementary uncertainty quantification metrics (ensemble variance, short-horizon autocorrelation, and cumulative Wasserstein drift), without access to ground truth. We evaluate the performance of the proposed method on two canonical chaotic dynamical systems, the Lorenz-63 system and the Kuramoto-Sivashinsky equation, and show that joint generative models yield improved short-term predictive skill, preserve attractor geometry, and achieve substantially more accurate long-range statistical behaviour than conventional conditional next-step models.
• Abstract（参考訳）: カオス力学系は初期条件に対する強い感度を示し、しばしば未解決のマルチスケールプロセスを含み、決定論的予測を根本的に制限する。 生成モデルは、可算システムの進化よりも分布を学習することで魅力的な代替手段を提供するが、既存のほとんどのアプローチは、基礎となる力学の構造ではなく、次のステップの条件予測に焦点を当てている。 本研究では,短時間の時間窓上でのラガーシステム状態の連立確率分布を学習し,余剰化による予測を得ることにより,予測を完全生成問題として再編成する。 この新たな視点により、モデルは非線形時間的依存関係をキャプチャし、多段階の軌道セグメントを表現し、学習された関節分布と整合した次のステップ予測を生成することができる。 また、共同生成予測のための一般的なモデルに依存しないトレーニングおよび推論フレームワークを導入し、3つの相補的不確実性定量化指標(アンサンブル分散、ショートホライゾン自己相関、累積ワッサーシュタインドリフト)を用いて予測ロバスト性および信頼性の評価を可能にする方法を示す。 提案手法は,ロレンツ-63系と倉本-シヴァシンスキー方程式の2種類のカオス力学系における性能評価を行い,共同生成モデルにより短期予測能力の向上,アトラクタ幾何の保存,従来の条件付き次ステップモデルよりもはるかに正確な長距離統計挙動が得られることを示す。

関連論文リスト

• SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
  拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:09:55Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Probabilistic Forecasting with Stochastic Interpolants and Föllmer Processes [18.344934424278048]
  生成モデルに基づく動的システムの確率的予測のためのフレームワークを提案する。 このSDEのドリフトと拡散係数は訓練後に調整できることを示し、推定誤差の影響を最小限に抑える特定の選択がF"ollmerプロセスを与えることを示した。
  論文  参考訳（メタデータ） (2024-03-20T16:33:06Z)
• On the Efficient Marginalization of Probabilistic Sequence Models [3.5897534810405403]
  この論文は、複雑な確率的クエリに答えるために自己回帰モデルを使うことに焦点を当てている。 我々は,モデルに依存しない逐次モデルにおいて,境界化のための新しい,効率的な近似手法のクラスを開発する。
  論文  参考訳（メタデータ） (2024-03-06T19:29:08Z)
• 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)
• 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)
• HYPER: Learned Hybrid Trajectory Prediction via Factored Inference and Adaptive Sampling [27.194900145235007]
  本稿では,汎用的で表現力豊かなハイブリッド予測フレームワークHYPERを紹介する。 トラヒックエージェントをハイブリッドな離散連続システムとしてモデル化することにより、我々のアプローチは時間とともに離散的な意図の変化を予測することができる。 我々は、Argoverseデータセット上でモデルをトレーニングし、検証し、その効果を包括的アブレーション研究と最先端モデルとの比較を通して実証する。
  論文  参考訳（メタデータ） (2021-10-05T20:20:10Z)

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。