論文の概要: Local Truncation Error-Guided Neural ODEs for Large Scale Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2605.03386v1
• Date: Tue, 05 May 2026 05:46:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.786349
• Title: Local Truncation Error-Guided Neural ODEs for Large Scale Traffic Forecasting
• Title（参考訳）: 大規模交通予測のための局所トラクション誤差誘導型ニューラルネットワーク
• Authors: Xiao Zhang, Yafei Li, Ruixiang Wang, Wei Wei, Shuo He, Mingliang Xu,
• Abstract要約: 局所トラニケーション誤差誘導型ニューラルネットワーク(LTE-ODE) 本アーキテクチャは安定領域における高精度連続ODE進化を良好に保存する。 LTE-ODEは、複数の大規模ベンチマークで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 26.116856080963966
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatiotemporal forecasting in physical systems, such as large-scale traffic networks, requires modeling a dual dynamic: continuous macroscopic rhythms and discrete, unpredictable microscopic shocks. While Neural Ordinary Differential Equations (ODEs) excel at capturing smooth evolution, their inherent Lipschitz continuity constraints inevitably cause severe over-smoothing when confronting abrupt anomalies. Recent physics-informed methods attempt to bypass this by penalizing numerical integration errors to enforce manifold smoothness. However, we mathematically reveal that such rigid regularization inherently triggers gradient conflicts and ``attention collapse,'' stripping the model of its sensitivity to anomalies. To resolve this continuity-shock dilemma, we propose Local Truncation Error-Guided Neural ODEs (LTE-ODE). Rather than treating numerical error as a nuisance to be eliminated, we innovatively repurpose the Local Truncation Error (LTE) as an unsupervised forward inductive bias. By mapping the LTE into a dynamic spatial attention mask, our architecture gracefully preserves high-precision continuous ODE evolution in stable regions, while adaptively triggering a discrete compensation branch exclusively at shock points. Trained purely end-to-end without manifold penalties, LTE-ODE achieves state-of-the-art performance on multiple large-scale benchmarks, exhibiting exceptional robustness against highly non-linear fluctuations. Furthermore, our ablation on integration steps demonstrates high deployment flexibility, allowing the model to seamlessly adapt to varying hardware memory constraints in real-world applications.
• Abstract（参考訳）: 大規模交通網のような物理的システムの時空間予測には、連続的なマクロ的リズムと離散的で予測不可能な顕微鏡的ショックという2つのダイナミックなモデリングが必要である。 ニューラル常微分方程式(ODE)はスムーズな進化を捉えるのに優れているが、リプシッツの連続性制約は急激な異常に直面すると必然的に過度な過度な過密を引き起こす。 最近の物理インフォームド法は、数値積分誤差をペナル化して多様体の滑らかさを強制することによってこれを回避しようとする。 しかし、そのような厳密な正規化は本質的に勾配の衝突を引き起こし、「注意崩壊」は異常に対する感度のモデルを取り除くことを数学的に明らかにする。 本稿では,この連続性ショックジレンマを解決するために,局所トラニケーション誤差誘導ニューラルネットワーク(LTE-ODE)を提案する。 数値誤差を除去すべきニュアンスとして扱うのではなく、局所トラニケーション誤差(LTE)を教師なし前方誘導バイアスとして革新的に再利用する。 LTEをダイナミックな空間的注意マスクにマッピングすることにより、我々のアーキテクチャは安定領域における高精度連続ODEの進化を良好に保ちつつ、ショック点のみに離散的な補償分岐を適応的に引き起こす。 LTE-ODEは、多様体のペナルティのない純粋にエンドツーエンドで訓練され、複数の大規模ベンチマークで最先端のパフォーマンスを実現し、高非線形変動に対して例外的な堅牢性を示す。 さらに、統合ステップに対する当社のablationは、デプロイの柔軟性の高さを示し、実際のアプリケーションにおける様々なハードウェアメモリ制約にシームレスに適応できるようにします。

関連論文リスト

• STDDN: A Physics-Guided Deep Learning Framework for Crowd Simulation [13.228132733021376]
  本稿では,微視的軌道予測をマクロ物理学で導く新しい枠組みを提案する。 ニューラル正規微分方程式は、個々の運動によって駆動されるマクロ密度の進化をモデル化するために用いられる。 提案手法は, 長期タスクにおける最先端手法と比較して, シミュレーション性能に優れていた。
  論文  参考訳（メタデータ） (2026-04-03T06:06:04Z)
• Constraint Breeds Generalization: Temporal Dynamics as an Inductive Bias [1.219017431258669]
  制約は、制約としてではなく、一般化を生み出す時間的帰納バイアスとして機能する。 我々は、堅牢なAI開発には、制限のスケーリングと削除だけでなく、自然に一般化を促進する時間的特性を計算的にマスターする必要があることを示す。
  論文  参考訳（メタデータ） (2025-12-30T00:34:24Z)
• AERMANI-Diffusion: Regime-Conditioned Diffusion for Dynamics Learning in Aerial Manipulators [2.376629619475859]
  空力マニピュレータは、慣性結合力と空力の迅速かつ構成に依存した変化を行う。 条件付き拡散プロセスと軽量時間エンコーダを用いて残留力の完全な分布をモデル化する状態条件拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-11T16:10:32Z)
• One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• From NeurODEs to AutoencODEs: a mean-field control framework for width-varying Neural Networks [68.8204255655161]
  本稿では,動的に駆動する制御フィールドをベースとした,AutoencODEと呼ばれる新しいタイプの連続時間制御システムを提案する。 損失関数が局所凸な領域では,多くのアーキテクチャが復元可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-05T13:26:17Z)
• Convergence of mean-field Langevin dynamics: Time and space discretization, stochastic gradient, and variance reduction [49.66486092259376]
  平均場ランゲヴィンダイナミクス(英: mean-field Langevin dynamics、MFLD)は、分布依存のドリフトを含むランゲヴィン力学の非線形一般化である。 近年の研究では、MFLDは測度空間で機能するエントロピー規則化された凸関数を地球規模で最小化することが示されている。 有限粒子近似,時間分散,勾配近似による誤差を考慮し,MFLDのカオスの均一時間伝播を示す枠組みを提供する。
  論文  参考訳（メタデータ） (2023-06-12T16:28:11Z)
• The Limiting Dynamics of SGD: Modified Loss, Phase Space Oscillations, and Anomalous Diffusion [29.489737359897312]
  勾配降下法(SGD)を訓練した深部ニューラルネットワークの限界ダイナミクスについて検討する。 これらのダイナミクスを駆動する重要な要素は、本来のトレーニング損失ではなく、位相空間の振動を引き起こす速度と確率電流を暗黙的に規則化する修正損失の組み合わせであることを示す。
  論文  参考訳（メタデータ） (2021-07-19T20:18:57Z)

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。