論文の概要: ABC: Any-Subset Autoregression via Non-Markovian Diffusion Bridges in Continuous Time and Space

• arxiv url: http://arxiv.org/abs/2604.27443v2
• Date: Tue, 05 May 2026 15:16:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 14:45:21.142151
• Title: ABC: Any-Subset Autoregression via Non-Markovian Diffusion Bridges in Continuous Time and Space
• Title（参考訳）: ABC: 連続時間と空間における非マルコフ拡散ブリッジによる任意のサブセット自己回帰
• Authors: Gabe Guo, Thanawat Sornwanee, Lutong Hao, Elon Litman, Stefano Ermon, Jose Blanchet,
• Abstract要約: 連続時間と空間における非マルコフ拡散ブリッジによる任意のサブセット自己回帰モデルを提案する。 我々は、時間変数と中間状態が実時間およびプロセス状態を追跡する1つの連続SDEを用いて、プロセスをモデル化する。 実験の結果,ABCは映像生成や天気予報など,複数の領域で競合する手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 37.1234207870965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating continuous-time, continuous-space stochastic processes (e.g., videos, weather forecasts) conditioned on partial observations (e.g., first and last frames) is a fundamental challenge. Existing approaches, (e.g., diffusion models), suffer from key limitations: (1) noise-to-data evolution fails to capture structural similarity between states close in physical time and has unstable integration in low-step regimes; (2) random noise injected is insensitive to the physical process's time elapsed, resulting in incorrect dynamics; (3) they overlook conditioning on arbitrary subsets of states (e.g., irregularly sampled timesteps, future observations). We propose ABC: Any-Subset Autoregressive Models via Non-Markovian Diffusion Bridges in Continuous Time and Space. Crucially, we model the process with one continual SDE whose time variable and intermediate states track the real time and process states. This has provable advantages: (1) the starting point for generating future states is the already-close previous state, rather than uninformative noise; (2) random noise injection scales with physical time elapsed, encouraging physically plausible dynamics with similar time-adjacent states. We derive SDE dynamics via changes-of-measure on path space, yielding another advantage: (3) path-dependent conditioning on arbitrary subsets of the state history and/or future. To learn these dynamics, we derive a path- and time-dependent extension of denoising score matching. Our experiments show ABC's superiority to competing methods on multiple domains, including video generation and weather forecasting.
• Abstract（参考訳）: 部分的な観測(例えば、最初のフレームと最後のフレーム)を条件とした連続時間連続空間確率過程(例、ビデオ、天気予報)の生成は、根本的な課題である。 既存のアプローチ(例えば拡散モデル)では、(1)ノイズとデータの進化は物理的時間に近い状態間の構造的類似性を捉えず、低段階のレシエーションにおける不安定な統合、(2)ランダムノイズの注入は物理過程の時間経過に敏感であり、誤ったダイナミクスをもたらす、(3)任意の状態のサブセット(例えば、不規則にサンプリングされたタイムステップ、将来の観測)の条件を見落としている。 連続時間と空間における非マルコフ拡散ブリッジによる任意のサブセット自己回帰モデルを提案する。 重要なことは、時間変数と中間状態が実時間およびプロセス状態を追跡する1つの連続SDEを用いてプロセスをモデル化する。 これは、(1)先進状態を生成するための出発点が、不定形ノイズではなく、既に閉ざされた前の状態であること、(2)物理的時間経過を伴うランダムノイズ注入スケールが、同様の時間依存状態を持つ物理的にプラウジブルなダイナミクスを奨励すること、などの利点がある。 我々は、経路空間の変化を通じてSDEダイナミクスを導出し、次の利点をもたらす:(3)状態履歴および/または将来の任意の部分集合に対する経路依存条件付け。 これらの力学を学習するために、経路依存と時間依存によるスコアマッチングの拡張を導出する。 実験の結果,ABCは映像生成や天気予報など,複数の領域で競合する手法よりも優れていることがわかった。

関連論文リスト

• HiAR: Efficient Autoregressive Long Video Generation via Hierarchical Denoising [52.237486207964245]
  HiARは階層的なデノベーションフレームワークで、従来の世代順を逆転させる。 発声ステップ毎に全てのブロックを因果生成し、各ブロックが常に同じノイズレベルでコンテキストで条件付けされるようにする。 VBench(20世代)では、HiARは比較したすべての方法の中で最高の総合スコアと最低時間ドリフトを達成する。
  論文  参考訳（メタデータ） (2026-03-09T17:58:16Z)
• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• Noisy dynamics of Gaussian entanglement: a transient bound entangled phase before separability [4.058640482068898]
  4モード連続変数系のガウス有界絡み状態の新しいクラスを見つける。 これらの状態は、ある NPT が絡み合ったガウス状態がノイズ環境下で進化する時、過渡相として現れる。
  論文  参考訳（メタデータ） (2025-03-16T23:41:10Z)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• Bridging discrete and continuous state spaces: Exploring the Ehrenfest process in time-continuous diffusion models [4.186575888568896]
  離散状態空間上での時間連続マルコフジャンプ過程について検討する。 エレンフェスト過程の時間反転は、時間反転するオルンシュタイン-ウレンベック過程に収束することを示す。
  論文  参考訳（メタデータ） (2024-05-06T15:12:51Z)
• Nonstationary Time Series Forecasting via Unknown Distribution Adaptation [22.915008205203886]
  環境が進化するにつれて、時間分布シフトは時系列予測性能を低下させる可能性がある。 均一分布シフトを仮定して定常成分と非定常成分をアンタングルする手法もあるが、分布変化が未知であることから現実的ではない。 非定常時系列予測のためのtextbfUnknown textbfDistribution textbfAdaptation (textbfUDA) モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-20T07:16:12Z)
• RoHM: Robust Human Motion Reconstruction via Diffusion [58.63706638272891]
  RoHMは、モノクロRGB(-D)ビデオから頑健な3次元人間の動きを復元するためのアプローチである。 ノイズと閉鎖された入力データに条件付けし、一貫した大域座標で完全な可塑性運動を再構成した。 本手法は,テスト時に高速でありながら,定性的かつ定量的に最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-01-16T18:57:50Z)
• Nonparametric and Regularized Dynamical Wasserstein Barycenters for Sequential Observations [16.05839190247062]
  有限状態間の段階的遷移を示す逐次観測の確率論的モデルを考える。 純状態量子関数の更新と偏心重みの交互に循環降下を用いた有限次元推定問題を数値的に解く。 シミュレーションと実世界における人間の活動時系列のセグメンテーションにおける提案アルゴリズムの有用性を実証する。
  論文  参考訳（メタデータ） (2022-10-04T21:39:55Z)
• Dynamical Wasserstein Barycenters for Time-series Modeling [16.212262513825717]
  ほとんどの先行研究は、純粋な離散状態間の即時遷移を前提としている。 本稿では,時間とともにシステム状態を推定するWasserstein Barycentric (DWB)モデルを提案する。 いくつかの人的活動データセットの実験により、提案したDWBモデルが純粋状態の生成過程を正確に学習できることが示されている。
  論文  参考訳（メタデータ） (2021-10-13T14:20:06Z)

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。