論文の概要: Towards Scalable One-Step Generative Modeling for Autoregressive Dynamical System Forecasting

• arxiv url: http://arxiv.org/abs/2605.05540v1
• Date: Thu, 07 May 2026 00:41:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.461691
• Title: Towards Scalable One-Step Generative Modeling for Autoregressive Dynamical System Forecasting
• Title（参考訳）: 自己回帰型動的システム予測のためのスケーラブルなワンステップ生成モデリングを目指して
• Authors: Tianyue Yang, Xiao Xue,
• Abstract要約: MeLISA(MeanFlow Long-Term In Spatiotemporal Consistency Autoregressive Models) MeLISAは、ピクセル空間のMeanFlow上に構築された、潜伏のない自己回帰生成サロゲートである。 2つの高解像度ベンチマークで,コンパクトなUNetとスケーラブルなDiTflowを用いてMeLISAを評価した。
• 参考スコア（独自算出の注目度）: 1.8396059589388676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fast surrogate modeling for high-dimensional physical dynamics requires more than low short-term error: useful models must roll out efficiently while preserving the statistical structure of long trajectories. Neural operators provide inexpensive autoregressive forecasts but can drift in turbulent regimes, whereas rolling diffusion and latent generative surrogates can represent stochastic transitions at the cost of multi-step denoising, noise-schedule design, or auxiliary compression models. We propose MeanFlow Long-term Invariant Spatiotemporal Consistency Autoregressive Models (MeLISA), a latent-free autoregressive generative surrogate built on pixel-space MeanFlow. MeLISA defines a blockwise stochastic transition kernel that generates each forecast block with a single model evaluation, avoiding latent encoders and iterative diffusion solvers at inference time. To stabilize long-horizon rollouts, MeLISA combines a Window-Consistency MeanFlow objective that learns conditional spatiotemporal generation from partially observed temporal windows with a Time Increment Consistency loss that constrains multi-lag finite increments and targets temporal-correlation structure. We evaluate MeLISA with compact UNet and scalable DiT backbones on two high-resolution benchmarks, extended 2D Kolmogorov flow at $256 \times 256$ and turbulent channel-flow slice at $192 \times 192$. MeLISA outperforms neural-operator baselines on short-term forecasting accuracy and long-horizon statistical metrics, including energy spectra, turbulent kinetic energy, and mixing-rate-related dynamics, while achieving inference speeds comparable to, and in some cases faster than, neural operators. Compact 3.7-5.7M-parameter variants already deliver strong parameter efficiency, and DiT variants provide a scalable path up to 150M parameters. Overall, MeLISA benefits both rollout efficiency and long-horizon statistical accuracy.
• Abstract（参考訳）: 高次元物理力学の高速サロゲートモデリングには、短期誤差が低いことが必要であり、有用なモデルでは、長い軌道の統計構造を保ちながら、効率的にロールアウトする必要がある。 ニューラルオペレーターは安価な自己回帰予測を提供するが、乱流状態ではドリフトできるが、ローリング拡散と遅延生成サロゲートは、マルチステップのノイズ発生、ノイズスケジュール設計、補助圧縮モデルといったコストで確率遷移を表現することができる。 画素空間のMeanFlow上に構築された遅延のない自己回帰的生成代理であるMeLISA(MeanFlow Long-term Invariant Spatiotemporal Consistency Autoregressive Models)を提案する。 MeLISAは、予測ブロックを1つのモデル評価で生成するブロックワイズ確率遷移カーネルを定義し、推論時に遅延エンコーダや反復拡散解決器を避ける。 長期のロールアウトを安定させるために、MeLISAは、部分的に観察された時間的ウィンドウから条件付き時空間生成を学習するWindow-Consistency MeanFlow目標と、マルチラグ有限インクリメントを制約し、時間的相関構造を目標とする時間的インクリメント一貫性損失を組み合わせた。 我々は,2つの高解像度ベンチマーク,2Dコルモゴロフフローを256ドル,乱流チャネルフロースライスを192ドルで拡張した2Dコルモゴロフフローに対して,コンパクトなUNetとスケーラブルなDiTバックボーンでMeLISAを評価した。 MeLISAは、短時間の予測精度と、エネルギースペクトル、乱流運動エネルギー、混合速度関連ダイナミクスなど、長期の統計指標に基づいて、ニューラルネットワークのベースラインを上回り、同時に、ニューラルネットワークよりも高速な推論速度を達成している。 コンパクトな3.7-5.7Mパラメータは、既に強力なパラメータ効率を提供しており、DiTは最大150Mパラメータまでのスケーラブルなパスを提供する。 全体として、MeLISAはロールアウト効率と長期統計精度の両方に効果がある。

関連論文リスト

• Towards Efficient and Stable Ocean State Forecasting: A Continuous-Time Koopman Approach [17.986879367736762]
  連続時間クープマンオートエンコーダ (CT-KAE) は, 長期海洋状態予測のための軽量サロゲートモデルである。 CT-KAEは、自己回帰トランスフォーマーベースラインとは対照的に、境界誤差成長と安定した大規模統計を示す。 このモデルでは,数値解法よりも高速な推定が可能である。
  論文  参考訳（メタデータ） (2026-03-05T09:39:44Z)
• Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation [7.958594167693376]
  パラメータ化還元次数モデル(ROM)の効率的な再学習戦略を提案する。 この戦略は計算時間の一部を必要としながら、完全再訓練に匹敵する精度を得る。 力学系を考えると、アウト・オブ・サンプル予測における誤差の主な原因は、潜在多様体の歪みに起因することが示される。
  論文  参考訳（メタデータ） (2026-02-26T16:43:28Z)
• Low-Dimensional Adaptation of Rectified Flow: A New Perspective through the Lens of Diffusion and Stochastic Localization [59.04314685837778]
  整流流(RF)は、その生成効率と最先端の性能からかなりの人気を得ている。 本稿では,RFがターゲット分布の支持の内在的低次元性に自動的に適応し,サンプリングを高速化する程度について検討する。 時間分割方式を慎重に設計し,十分な正確なドリフト推定を行うことで,RFサンプリング器はオーダーO(k/varepsilon)$の複雑さを享受できることを示す。
  論文  参考訳（メタデータ） (2026-01-21T22:09:27Z)
• FreqFlow: Long-term forecasting using lightweight flow matching [3.5235875824926346]
  本稿では、周波数領域における条件付きフローマッチングを利用して決定論的MSS予測を行う新しいフレームワークであるFreqFlowを紹介する。 FreqFlowは予測問題をスペクトル領域に変換し、振幅と位相シフトをモデル化する。 実世界のトラフィック速度、ボリューム、フローデータセットに関する実験は、FreqFlowが最先端の予測性能を達成することを実証している。
  論文  参考訳（メタデータ） (2025-11-20T14:50:13Z)
• Hierarchical Implicit Neural Emulators [20.09615751270837]
  本稿では,長期予測精度を高めるマルチスケール暗黙的ニューラルエミュレータを提案する。 提案手法では, 圧縮速度の向上に先立って, 次の段階の圧縮速度の向上を推算する。 乱流流体力学の実験により,本手法は短期精度が高く,長期安定予測が得られた。
  論文  参考訳（メタデータ） (2025-06-05T00:28:26Z)
• MixLinear: Extreme Low Resource Multivariate Time Series Forecasting with 0.1K Parameters [6.733646592789575]
  時系列予測(LTSF)は、パターンや傾向を特定するために、大量の時系列データを分析することによって、長期的な価値を予測する。 トランスフォーマーベースのモデルは高い予測精度を提供するが、ハードウェア制約のあるデバイスにデプロイするには計算集約的すぎることが多い。 資源制約のあるデバイスに特化して設計された超軽量時系列予測モデルであるMixLinearを提案する。
  論文  参考訳（メタデータ） (2024-10-02T23:04:57Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)

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。