論文の概要: PrismFlow: Residual Dynamics for Flow Matching in Time-Series Generation

• arxiv url: http://arxiv.org/abs/2605.28867v1
• Date: Fri, 22 May 2026 07:10:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:54.936899
• Title: PrismFlow: Residual Dynamics for Flow Matching in Time-Series Generation
• Title（参考訳）: PrismFlow: 時系列生成におけるフローマッチングのための残留ダイナミクス
• Authors: Junru Zhang, Lang Feng, Jinbo Wang, Xu Guo, Yucheng Wang, Han Yu, Min Wu, Yabo Dong, Duanqing Xu,
• Abstract要約: フローマッチングは拡散モデルに代わる効率的な代替手段を提供するが、現実的な実装は典型的には単一の有限容量大域ベクトル場推定器に依存する。 したがって、標準$ell$ベロシティマッチング目標で訓練されたモノリシックな推定器は、局所輸送場の過度に滑らかな近似を学ぶことができる。 この推定器レベルの滑らか化は分枝特異的なダイナミクスとなり、スペクトル歪みとモードカバレッジが低下する。 クープマンにインスパイアされた動的専門家による新しいFM手法であるPrismFlowを提案する。
• 参考スコア（独自算出の注目度）: 24.703364668945543
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating high-quality time-series data is challenging because real-world signals often exhibit multimodal patterns and multiscale dynamics, including oscillations and high-frequency variations. Flow Matching (FM) offers an efficient alternative to diffusion models, but practical implementations typically rely on a single finite-capacity global vector-field estimator. In such heterogeneous temporal distributions, distinct regimes may pass through nearby flow states while requiring incompatible conditional velocities. A monolithic estimator trained with the standard $\ell_2$ velocity-matching objective may therefore learn an overly smoothed approximation of the local transport field. This estimator-level smoothing can attenuate branch-specific dynamics, leading to spectral distortion and poor mode coverage. To address this, we propose PrismFlow, a new FM method with Koopman-inspired dynamical experts. Each expert learns residual corrections in a latent space where local nonlinear temporal evolution can be approximated by linear transitions. We further propose a confidence-aware Winner-Take-All (WTA) objective that updates only the expert best aligned with each sample while masking gradients to the others, encouraging mode-specific specialization. During sampling, the selected expert adds a residual dynamical correction to the global transport field, preserving FM stability while recovering fine-grained and high-frequency temporal structures. Across various benchmarks, PrismFlow effectively mitigates the spectral contraction in standard FM and achieves state-of-the-art performance, with a 15.6% gain in Context-FID and a 38.6% improvement in Discriminative Score, while remaining robust in low-data settings and effective for forecasting and imputation.
• Abstract（参考訳）: 実世界の信号は、振動や高周波変動を含むマルチモーダルパターンやマルチスケールダイナミックスを示すことが多いため、高品質な時系列データの生成は困難である。 Flow Matching (FM) は拡散モデルの効率的な代替手段を提供するが、現実的な実装は一般に単一の有限容量大域ベクトル場推定器に依存する。 このような異種時間分布では、異なる状態が非互換な条件速度を必要としながら、近くの流れ状態を通過することがある。 したがって、標準の$\ell_2$ベロシティマッチング目標で訓練されたモノリシックな推定器は、局所輸送場の過度に滑らかな近似を学ぶことができる。 この推定器レベルの平滑化は、分枝特異的なダイナミクスを減衰させ、スペクトル歪みとモードカバレッジを低下させる。 そこで我々は,Koopmanにインスパイアされた動的専門家による新しいFM手法であるPrismFlowを提案する。 各専門家は、局所的な非線形時間進化が線形遷移によって近似できる潜在空間で残留補正を学習する。 さらに、各サンプルに最も適した専門家のみを更新し、他のサンプルに勾配を隠蔽し、モード固有の特殊化を奨励する信頼性の高いWinner-Take-All (WTA) 目標を提案する。 サンプリング中、選択された専門家は、大域輸送場に残留力学補正を加え、微細な時間構造と高周波構造を回復しながらFM安定性を保った。 様々なベンチマークにおいて、PrismFlowは標準FMのスペクトル収縮を効果的に軽減し、最先端のパフォーマンスを実現し、Context-FIDは15.6%、差別スコアは38.6%向上した。

関連論文リスト

• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• KoopmanFlow: Spectrally Decoupled Generative Control Policy via Koopman Structural Bias [31.486395926173838]
  Generative Control Policies(GCP)は、ロボット操作において大きな可能性を秘めているが、安定なグローバルモーションと高周波局所補正を同時にモデル化するのに苦労している。 クープマンに着想を得た構造的帰納バイアスによって導かれるパラメータ効率の良い生成ポリシーであるクープマンフローを紹介する。
  論文  参考訳（メタデータ） (2026-03-14T06:23:07Z)
• Is Flow Matching Just Trajectory Replay for Sequential Data? [46.770624059457724]
  時系列生成には、フローマッチング(FM)がますます使われている。 一般的な力学構造を学ぶのか、それとも単に効果的な「軌道再生」を行うのかはよく分かっていない。 インプリッドサンプリングは、非パラメトリックなメモリ拡張型連続時間力学系を構成するODEであることを示す。
  論文  参考訳（メタデータ） (2026-02-09T06:48:45Z)
• MoHETS: Long-term Time Series Forecasting with Mixture-of-Heterogeneous-Experts [0.8292000624465587]
  実世界の時系列は、グローバルな傾向、局所的な周期性、非定常的な体制を含む複雑なマルチスケール構造を示すことができる。 MoHETSはSparse Mixture-of-Heterogeneous-Expertsレイヤを統合している。 パラメータ重リニアプロジェクションヘッドを軽量な畳み込みパッチデコーダに置き換える。
  論文  参考訳（メタデータ） (2026-01-29T15:35:26Z)
• 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)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Learning Robust Spectral Dynamics for Temporal Domain Generalization [35.98513351187109]
  時間的ドメイン一般化は、進化するドメインをまたいだモデル一般化を可能にすることを目指している。 本稿では,パラメータ軌跡の周波数領域解析により,これらの課題に対処するFreKooを紹介する。 FreKooは、複雑なドリフトと不確実性を備えた現実世界のストリーミングシナリオに優れています。
  論文  参考訳（メタデータ） (2025-05-19T00:38:18Z)
• Event Signal Filtering via Probability Flux Estimation [58.31652473933809]
  イベントは、非同期センシングを通じてシーンダイナミクスをキャプチャするための新しいパラダイムを提供するが、その固有のランダム性は、しばしば劣化した信号品質につながる。 したがって、イベント信号フィルタリングは、この内部ランダム性を低減し、多様な取得条件をまたいだ一貫した出力を確保することで、忠実性を高めるために不可欠である。 本稿ではイベント密度フローフィルタ(EDFilter)と呼ばれる生成オンラインフィルタリングフレームワークを紹介する。 実験では、イベントフィルタリング、スーパーレゾリューション、イベントベースの直接追跡といったタスクでEDFilterのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-10T07:03:08Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)

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。