論文の概要: Spatial-Temporal Feedback Diffusion Guidance for Controlled Traffic Imputation

• arxiv url: http://arxiv.org/abs/2601.04572v1
• Date: Thu, 08 Jan 2026 04:03:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.02974
• Title: Spatial-Temporal Feedback Diffusion Guidance for Controlled Traffic Imputation
• Title（参考訳）: 交通インプット制御のための時空間フィードバック拡散誘導
• Authors: Xiaowei Mao, Huihu Ding, Yan Lin, Tingrui Wu, Shengnan Guo, Dazhuo Qiu, Feiling Fang, Jilin Hu, Huaiyu Wan,
• Abstract要約: 空間的時間的交通データに欠落した値を付与することは、インテリジェント交通システムにとって不可欠である。 本研究では,インプット中の誘導尺度を適応的に制御する空間時間フィードバック拡散誘導法であるFENCEを提案する。 FENCEは、アテンションスコアに基づいてノードをグループ化することで、クラスタレベルでのガイダンススケールを計算する。
• 参考スコア（独自算出の注目度）: 17.509468754018496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Imputing missing values in spatial-temporal traffic data is essential for intelligent transportation systems. Among advanced imputation methods, score-based diffusion models have demonstrated competitive performance. These models generate data by reversing a noising process, using observed values as conditional guidance. However, existing diffusion models typically apply a uniform guidance scale across both spatial and temporal dimensions, which is inadequate for nodes with high missing data rates. Sparse observations provide insufficient conditional guidance, causing the generative process to drift toward the learned prior distribution rather than closely following the conditional observations, resulting in suboptimal imputation performance. To address this, we propose FENCE, a spatial-temporal feedback diffusion guidance method designed to adaptively control guidance scales during imputation. First, FENCE introduces a dynamic feedback mechanism that adjusts the guidance scale based on the posterior likelihood approximations. The guidance scale is increased when generated values diverge from observations and reduced when alignment improves, preventing overcorrection. Second, because alignment to observations varies across nodes and denoising steps, a global guidance scale for all nodes is suboptimal. FENCE computes guidance scales at the cluster level by grouping nodes based on their attention scores, leveraging spatial-temporal correlations to provide more accurate guidance. Experimental results on real-world traffic datasets show that FENCE significantly enhances imputation accuracy.
• Abstract（参考訳）: 空間的時間的交通データに欠落した値を付与することは、インテリジェント交通システムにとって不可欠である。 高度な計算法の中で、スコアベースの拡散モデルは競争性能を実証している。 これらのモデルは、観測された値を条件付きガイダンスとして使用して、ノイズ発生過程を逆転してデータを生成する。 しかし、既存の拡散モデルは、通常、空間次元と時間次元の両方にわたって均一なガイダンススケールを適用し、高いデータレートのノードでは不十分である。 スパース観測は条件付きガイダンスが不十分なため、生成過程は条件付き観測に忠実に従わず、学習前の分布に向かって漂流し、最適以下の計算性能をもたらす。 そこで本稿では,インプット中の誘導尺度を適応的に制御する空間的時間的フィードバック拡散誘導法であるFENCEを提案する。 第一に、FENCEは後続確率近似に基づいてガイダンス尺度を調整する動的フィードバック機構を導入する。 生成した値が観測から分岐すると誘導スケールが増大し、アライメントが改善されると減少し、過補正が防止される。 第二に、観測へのアライメントはノードによって異なり、ステップをデノナイズするので、すべてのノードに対するグローバルなガイダンススケールは最適以下である。 FENCEは、アテンションスコアに基づいてノードをグループ化することで、クラスタレベルでのガイダンススケールを計算し、空間的時間的相関を利用してより正確なガイダンスを提供する。 実世界のトラフィックデータセットの実験結果から、FENCEは計算精度を大幅に向上することが示された。

関連論文リスト

• Control-Augmented Autoregressive Diffusion for Data Assimilation [17.305296093966803]
  本稿では,ARDMを軽量コントローラで拡張するアモールト化フレームワークを提案する。 我々はこの枠組みをカオス偏微分方程式(PDE)に対するデータ同化(DA)の文脈で評価する。 提案手法は,DA推論をオンザフライ修正による単一前方ロールアウトに還元し,推論中に高価な随伴計算や最適化を回避する。
  論文  参考訳（メタデータ） (2025-10-08T04:37:32Z)
• TAG:Tangential Amplifying Guidance for Hallucination-Resistant Diffusion Sampling [53.61290359948953]
  タンジェンシャル増幅誘導(TAG)は、下層の拡散モデルを変更することなく、軌道信号のみで動作する。 この誘導過程を1次テイラー展開を利用して定式化する。 TAGは、最小限の計算加算で拡散サンプリング忠実度を改善する、プラグアンドプレイのアーキテクチャに依存しないモジュールである。
  論文  参考訳（メタデータ） (2025-10-06T06:53:29Z)
• Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
  拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。 最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。 提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
  論文  参考訳（メタデータ） (2024-08-01T17:59:59Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• DRAG: Divergence-based Adaptive Aggregation in Federated learning on Non-IID Data [11.830891255837788]
  局所勾配降下(SGD)は、フェデレートラーニング(FL)におけるコミュニケーション効率向上の基本的なアプローチである 我々は,局所勾配と大域基準方向の角度を定量化する「発散度」と呼ばれる新しい計量を導入する。 本稿では,各ラウンドの参照方向に対して受信した局所的な更新を,余分な通信オーバーヘッドを伴わずに動的にドラッグする分散型アダプティブアグリゲーション(DRAG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-04T19:40:58Z)
• Online Spatio-Temporal Correlation-Based Federated Learning for Traffic Flow Forecasting [11.253575460227127]
  本稿では,FLフレームワークにおけるオンライン学習(OL)方式を用いた交通流の予測に関する最初の研究を行う。 次に,オンライン時空間相関に基づくフェデレート学習(FedOSTC)という新しい予測手法を提案する。
  論文  参考訳（メタデータ） (2023-02-17T02:37:36Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)

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。