論文の概要: GLIDE: Graph-guided Leap Inference for Diffusion Estimation of Spatio-Temporal Point Processes
- arxiv url: http://arxiv.org/abs/2606.01273v1
- Date: Sun, 31 May 2026 14:56:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:29.488939
- Title: GLIDE: Graph-guided Leap Inference for Diffusion Estimation of Spatio-Temporal Point Processes
- Title（参考訳）: GLIDE:時空間過程の拡散推定のためのグラフ誘導プループ推論
- Authors: Guanyu Zhou, Yao Liu, Yanglei Gan, Yuxiang Cai, Peng He, Run Lin, Yuxiang Liu, Qiao Liu,
- Abstract要約: 時空間点過程(STPP)のための条件拡散フレームワークを提案する。
GLIDEは、歴史的イベントをマルチスケールの履歴グラフに整理し、二重ストリームアーキテクチャを通して空間トポロジを符号化する。
複数の実世界のデータセットでの実験では、GLIDEは分布の適合性と次点の予測の両方を改善し、空間側で最大のゲインが現れる。
- 参考スコア（独自算出の注目度）: 19.756452407351986
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatio-temporal point processes (STPPs) provide a principled framework for modeling asynchronous events in continuous time and space. Recent diffusion-based approaches offer a flexible alternative to deterministic prediction by modeling complex conditional distributions, but their application to STPPs remains challenging: reverse sampling from pure noise is costly, and weak structural constraints in sparse spatial domains can lead to poorly localized probability mass. We propose \textbf{GLIDE} (Graph-guided Leap Inference for Diffusion Estimation), a conditional diffusion framework for next-event modeling in STPPs. GLIDE organizes historical events into a multi-scale historical graph and encodes temporal evolution and spatial topology through a dual-stream architecture, yielding a structured conditioning context for a dual-branch diffusion denoiser. It further introduces a prior-guided leap inference mechanism, in which a lightweight mean predictor provides a deterministic anchor and the reverse process starts from an intermediate diffusion step instead of from pure Gaussian noise. Experiments on multiple real-world datasets show that GLIDE improves both distribution fitting and next-event prediction, with the largest gains appearing on the spatial side. The results also indicate that prior-guided leap inference substantially reduces reverse-sampling cost while preserving the stochastic generation capability of diffusion models.
- Abstract（参考訳）: 時空間プロセス(STPP)は、非同期イベントを連続時間と空間でモデリングするための原則化されたフレームワークを提供する。
近年の拡散に基づくアプローチは、複雑な条件分布をモデル化することで決定論的予測の柔軟な代替手段を提供するが、純粋なノイズからの逆サンプリングはコストがかかり、空間領域の弱い構造的制約は、局所化の低い確率質量に繋がる。
本稿では,STPPにおける次点モデリングのための条件付き拡散フレームワークであるtextbf{GLIDE} (Graph-guided Leap Inference for Diffusion Estimation)を提案する。
GLIDEは、歴史的事象を多スケールの歴史的グラフに整理し、時間的進化と空間的トポロジーを二重ストリームアーキテクチャでエンコードし、二重ブランチ拡散デノイザの構造的条件付けコンテキストを生成する。
さらに、軽量平均予測器が決定論的アンカーを提供し、逆過程は純粋なガウス雑音からではなく中間拡散段階から始まる、事前誘導の跳躍推論機構を導入する。
複数の実世界のデータセットでの実験では、GLIDEは分布の適合性と次点の予測の両方を改善し、空間側で最大のゲインが現れる。
また,拡散モデルの確率的生成能力を保ちつつ,先行誘導跳躍推定により逆サンプリングコストが大幅に低減されることが示唆された。
関連論文リスト
- Inpainting-Style Conditional Diffusion for Multivariable Time Series Forecasting [15.992262494632321]
本研究では,多時間時系列太陽予測パワーのための条件拡散に基づくフレームワークを提案する。
提案手法は,スライディングウインドウのパッチ構成を用いて,時間PVデータを構造化された2次元表現として再構成する。
GEFCom2014を含むベンチマークPVデータセットで実施された実験は、このアプローチが高い予測精度を達成することを実証している。
論文 参考訳（メタデータ） (2026-05-27T11:25:28Z) - GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。
PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。
これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
論文 参考訳（メタデータ） (2026-03-01T09:30:11Z) - Accelerated Sequential Flow Matching: A Bayesian Filtering Perspective [16.29333060724397]
本稿では,ベイズフィルタを基盤とした逐次フローマッチングについて紹介する。
ストリーミング推論を,あるステップから次のステップへ予測分布を伝達する確率フローの学習として扱うことにより,ベイズ的信念更新の構造と自然に一致させる。
本手法は, サンプリングステップを1回, ごく少数必要としながら, フルステップ拡散と性能を競合させ, サンプリングを高速化する。
論文 参考訳（メタデータ） (2026-02-05T05:37:14Z) - Residual Prior Diffusion: A Probabilistic Framework Integrating Coarse Latent Priors with Diffusion Models [0.5753274939310764]
Residual Prior Diffusion (RPD) は、粗い事前モデルをまずデータ分散の大規模構造をキャプチャする2段階のフレームワークである。
RPDは、分布の大規模構造を維持しながら、精密な詳細を正確にキャプチャする。
自然画像生成タスクにおいて、RDDは、代表拡散ベースラインと一致または一致した生成品質を達成した。
論文 参考訳（メタデータ） (2025-12-25T09:19:10Z) - Inference-time Stochastic Refinement of GRU-Normalizing Flow for Real-time Video Motion Transfer [0.7161783472741748]
没入型ゲームのようなリアルタイムビデオモーション転送アプリケーションは、現実的な合成と堅牢な下流決定を支援するために、正確かつ多様な将来予測を必要とする。
このような逐次予測の多様性を改善するために,GRU-NF(Gated Recurrent Unit-Normalizing Flows)とサンプリング手法を組み合わせた新しい推論時間改善手法を提案する。
GRU-SNF(Gated Recurrent Unit- Normalizing Flows, GRU-SNF)は,より長い予測地平線の下でも精度を犠牲にすることなく,多様な出力を生成する上で,GRU-NFより優れていることを示す。
論文 参考訳（メタデータ） (2025-12-03T21:47:30Z) - Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
Eucidated Rolling Diffusion Models (ERDM)を紹介する。
ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである
2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2025-06-24T21:44:31Z) - Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning [79.65014491424151]
量子離散化拡散確率モデル(QD3PM)を提案する。
これは、指数関数的に大きなヒルベルト空間における拡散と denoising を通じて合同確率学習を可能にする。
本稿では,共同分布学習における量子的優位性を生かして,生成モデルの新たな理論的パラダイムを確立する。
論文 参考訳（メタデータ） (2025-05-08T11:48:21Z) - Generative Latent Neural PDE Solver using Flow Matching [8.397730500554047]
低次元の潜伏空間にPDE状態を埋め込んだPDEシミュレーションのための潜伏拡散モデルを提案する。
我々のフレームワークは、オートエンコーダを使用して、異なるタイプのメッシュを統一された構造化潜在グリッドにマッピングし、複雑なジオメトリをキャプチャします。
数値実験により,提案モデルは,精度と長期安定性の両方において,決定論的ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2025-03-28T16:44:28Z) - Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。
本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。
我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文 参考訳（メタデータ） (2024-10-03T09:07:13Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z)
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。