論文の概要: Arbitrarily Conditioned Hierarchical Flows for Spatiotemporal Events

• arxiv url: http://arxiv.org/abs/2605.01226v1
• Date: Sat, 02 May 2026 03:50:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.650972
• Title: Arbitrarily Conditioned Hierarchical Flows for Spatiotemporal Events
• Title（参考訳）: 時空間事象に対する任意条件付き階層的流れ
• Authors: Keyan Chen, Qiwei Yuan, Zhitong Xu, Bin Shen, Shandian Zhe,
• Abstract要約: 本稿では,構造化イベントモデリングのための階層型フローマッチングフレームワークであるArbitrally Hierarchical Flows (ARCH)を紹介する。 ARCHは履歴エンコーダ生成デコーダアーキテクチャ上に構築されており、任意の観測イベントに対してフレキシブルな条件付けを可能にする。 予測タスクと条件推論タスクの両方において、既存のベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 12.387000123182943
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Events in spatiotemporal systems are ubiquitous, yet modeling their complex distributions remains challenging. Existing point process models often rely on strong structural assumptions and are typically limited to autoregressive, event-by-event prediction. As a result, they struggle to support broader inference tasks such as inverse inference, trajectory reconstruction, and recovery of missing event locations. We introduce Arbitrarily Conditioned Hierarchical Flows (ARCH), a hierarchical flow matching framework for spatiotemporal event modeling. ARCH is expressive enough to capture complex event distributions while enabling tractable and accurate computation of conditional intensities, which quantify instantaneous event risk. Built on a history-encoder-generative-decoder architecture, ARCH introduces a hybrid masking strategy for flexible conditioning on arbitrary observed events. This enables a unified treatment of forecasting, inverse inference, and partial trajectory recovery within a single framework. Experiments on synthetic and real-world datasets show that ARCH consistently outperforms existing baselines across both prediction and conditional inference tasks.
• Abstract（参考訳）: 時空間系における事象はユビキタスであるが、複雑な分布をモデル化することは依然として困難である。 既存のポイントプロセスモデルは、しばしば強い構造的仮定に依存し、通常、自己回帰的でイベント・バイ・イベントの予測に限られる。 結果として、彼らは、逆推論、軌道再構成、欠落したイベント位置の回復など、より広範な推論タスクをサポートするのに苦労した。 時空間イベントモデリングのための階層型フローマッチングフレームワークであるArbitrally Conditioned Hierarchical Flows (ARCH)を紹介する。 ARCHは複雑なイベントの分布を捉えるのに十分な表現力を持ち、条件付きインテンシティのトラクタブルで正確な計算を可能にし、即時的なイベントリスクを定量化する。 履歴エンコーダ-生成デコーダアーキテクチャに基づいて構築されたARCHは、任意の観測イベントに対するフレキシブルコンディショニングのためのハイブリッドマスキング戦略を導入する。 これにより、単一のフレームワーク内で予測、逆推論、部分軌道回復の統一的な処理が可能になる。 合成データセットと実世界のデータセットの実験は、ARCHが予測タスクと条件推論タスクの両方で既存のベースラインを一貫して上回っていることを示している。

関連論文リスト

• SPaRSe-TIME: Saliency-Projected Low-Rank Temporal Modeling for Efficient and Interpretable Time Series Prediction [0.0]
  SPaRSe-TIME(サイト・英語)は、時系列を分解して3つの相補的なコンポーネント(サリエンシ、メモリ、トレンド)にモデル化するフレームワークである。 多様な実世界のデータセットの実験は、SPaRSe-TIMEが競合性能を達成することを示した。 全体として、SPaRSe-TIMEは、モノリシックシーケンスモデルの原則的な代替、ブリッジ効率、解釈可能性、パフォーマンスを提供し、時系列学習のためのスケーラブルなフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-04-19T09:55:28Z)
• Agentic Workflow Using RBA$_θ$ for Event Prediction [0.0]
  風力ランプのイベントは、強い変動性、マルチスケールのダイナミクス、およびサイト固有の気象効果のために予測が難しい。 本稿では、ランプイベントを直接予測し、その後に電力軌道を再構築するイベントファースト・周波数対応予測パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-02-05T13:03:15Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Generalized Event Partonomy Inference with Structured Hierarchical Predictive Learning [9.874456616326274]
  本稿では、ストリーミングビデオから直接マルチスケールイベント構造を監視せずに学習する統合フレームワークPARSEを紹介する。 PARSEは,時間的アライメントと構造的整合性の両方において,ストリーミング手法と競合するオフラインベースラインの最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-12-03T19:41:06Z)
• TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
  TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。 特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。 我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
  論文  参考訳（メタデータ） (2025-09-23T23:05:40Z)
• Unified Flow Matching for Long Horizon Event Forecasting [3.0639815065447036]
  本稿では,マーク付き時間点プロセスのための一貫したフローマッチングフレームワークを提案する。 両コンポーネントの連続時間フローを学習することにより,逐次復号化を伴わずにコヒーレントな長地平線イベントトラジェクトリを生成する。 実世界の6つのベンチマークでモデルを評価し,精度と生成効率の両面で自己回帰ベースラインと拡散ベースラインを大幅に改善した。
  論文  参考訳（メタデータ） (2025-08-06T19:42:49Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)

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。