論文の概要: Spatiotemporal Imputation with Graph-Informed Flow Matching

• arxiv url: http://arxiv.org/abs/2606.06682v1
• Date: Thu, 04 Jun 2026 19:55:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.42556
• Title: Spatiotemporal Imputation with Graph-Informed Flow Matching
• Title（参考訳）: グラフインフォームドフローマッチングによる時空間計算
• Abstract要約: 欠落したデータは、大気質の監視や都市交通管理など、時間システムの一般的な課題である。 時相計算のためのグラフ内フローマッチングフレームワークであるGiFlowを提案する。
• 参考スコア（独自算出の注目度）: 22.850320477801247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Missing data is a common challenge in spatiotemporal systems, arising in applications such as air quality monitoring and urban traffic management. Traditional machine learning approaches, like recurrent and graph neural networks, rely on iterative propagation, which tends to accumulate errors over time and space. Recent diffusion-based methods mitigate error propagation but require iterative sampling and often depend on problem-agnostic Gaussian priors, limiting both efficiency and effectiveness. To address these limitations, we propose GiFlow, a Graph-Informed Flow Matching framework for spatiotemporal imputation. GiFlow replaces the typical Gaussian prior with a graph-informed prior constructed via spatiotemporal filtering of observable signals, which better aligns the source distribution to the target and thereby simplifies the generation trajectory. The flow field is parameterized by a hybrid vector field model that integrates spatial attention, temporal attention, and spatiotemporal propagation, enabling joint modeling of spatial and temporal dependencies. Extensive experiments on both synthetic and real-world datasets demonstrate that the proposed GiFlow outperforms the state-of-the-art approaches in spatiotemporal imputation. The code is available at https://github.com/zepengzhang/GiFlow.
• Abstract（参考訳）: 大気質モニタリングや都市交通管理といった用途で発生する時空間システムにおいて、データの欠落は一般的な課題である。 リカレントやグラフニューラルネットワークといった従来の機械学習アプローチは、時間と空間にエラーを蓄積する傾向にある反復的伝播に依存している。 近年の拡散法は誤りの伝播を緩和するが、反復的なサンプリングが必要であり、しばしば問題に依存しないガウスの先行値に依存し、効率と有効性の両方を制限している。 このような制約に対処するため,時空間計算のためのグラフインフォームドフローマッチングフレームワークであるGiFlowを提案する。 GiFlowは、典型的なガウスの先行を、観測可能な信号の時空間フィルタリングによって構築されたグラフインフォームで置き換える。 流れ場は、空間的注意、時間的注意、時空間的伝播を統合したハイブリッドベクトル場モデルによりパラメータ化され、空間的および時間的依存関係の合同モデリングを可能にする。 合成と実世界の両方のデータセットに対する大規模な実験は、提案されたGiFlowが時空間計算における最先端のアプローチよりも優れていることを示した。 コードはhttps://github.com/zepengzhang/GiFlow.comで公開されている。

関連論文リスト

• Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning [50.053186229257555]
  本稿では,グラフメッセージパッシングを注意に基づく認知に置き換えるグラフ自由拡散変換器を提案する。 変換器のグローバルな受容場を利用することで、Fluid-DiTは局所フロー構造と長距離相関の両方を自然に捉える。 サンプルの品質と分布精度の両方において、グラフベースの拡散ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-08-07T12:28:45Z)
• Eliminating Propagation Delay: Attention-Based Spatial-Temporal Fusion Graph Convolution Network for Traffic Flow Prediction [21.03782087892017]
  我々は,Attention-based Spatial-Temporal Fusion Graph Convolution Network (A-STFGCN) と呼ばれる新しいネットワークを提案する。 本研究では,空間的時間的特徴相関と伝搬遅延を除去した空間的時間的特徴相関を抽出するために,空間的時間的融合ブロックを設計する。 提案手法は,計算効率とデータ利用効率を向上しつつ,全体的な性能を向上する。
  論文  参考訳（メタデータ） (2026-07-27T10:55:20Z)
• Learning Time-Varying Graphs from Incomplete Graph Signals [1.7430416823420511]
  グラフから欠落したデータを出力する問題を解くために,効率的な交互方向乗算アルゴリズムを開発した。 提案したADMMスキームが収束し,定常点を導出することを示す。
  論文  参考訳（メタデータ） (2025-10-19T11:12:13Z)
• Expand and Compress: Exploring Tuning Principles for Continual Spatio-Temporal Graph Forecasting [40.9030781267984]
  本稿では,新しいプロンプトチューニングに基づく連続予測手法を提案する。 具体的には,基本時相グラフニューラルネットワークと連続的なプロンプトプールをメモリに格納する。 この手法により、モデルが広範囲な時間的データストリームから逐次学習し、対応する期間のタスクを達成できる。
  論文  参考訳（メタデータ） (2024-10-16T14:12:11Z)
• 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)
• A novel hybrid time-varying graph neural network for traffic flow forecasting [3.6623539239888556]
  インテリジェント交通システムの効率化には,リアルタイムかつ正確な交通流予測が不可欠である。 従来のグラフニューラルネットワーク(GNN)は、都市道路網における交通ノード間の空間的相関を記述するために用いられる。 我々は交通流予測のための新しいハイブリッド時変グラフニューラルネットワーク(HTVGNN)を提案している。
  論文  参考訳（メタデータ） (2024-01-17T07:21:36Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Sparsification and Filtering for Spatial-temporal GNN in Multivariate Time-series [0.0]
  本稿では,時空間グラフニューラルネットワークと行列フィルタリングモジュールを統合した多変量時系列予測のためのエンドツーエンドアーキテクチャを提案する。 このモジュールは、GNNに入力する前に、多変量時系列からフィルタ(逆)相関グラフを生成する。 グラフニューラルネットワークで採用されている既存のスカラー化手法とは対照的に,我々のモデルは,複雑なシステムデータに典型的な低信号-雑音比を克服するために,時系列フィルタリングを明示的に活用する。
  論文  参考訳（メタデータ） (2022-03-08T10:44:30Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting [35.072979313851235]
  交通流の空間的-時間的データ予測は複雑な空間的依存性と道路間の時間的パターンの動的傾向のために難しい課題である。 既存のフレームワークは通常、与えられた空間隣接グラフと、空間的および時間的相関をモデル化する洗練されたメカニズムを利用する。 本稿では,交通流予測のための空間時間融合グラフニューラルネットワーク(STFGNN)を提案する。
  論文  参考訳（メタデータ） (2020-12-15T14:03:17Z)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)

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。