論文の概要: OpFlow: Learning Opportunity-Conditioned Choice Potentials for Robust OD Flow Prediction

• arxiv url: http://arxiv.org/abs/2607.03200v1
• Date: Fri, 03 Jul 2026 11:13:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.552679
• Title: OpFlow: Learning Opportunity-Conditioned Choice Potentials for Robust OD Flow Prediction
• Title（参考訳）: OpFlow:ロバストODフロー予測のための機会条件付き選択可能性の学習
• Abstract要約: 列中心の選択ポテンシャルを学習し、誘導されたアロケーションとキャリブレーションされたオリジンスケールを組み合わせることでフローを再構築するフレームワークを提案する。 制御された合成シフトと現実世界の実験は、OpFlowが環境シフト下で堅牢性を改善することを示している。
• 参考スコア（独自算出の注目度）: 24.656099602667975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Origin-destination (OD) flow prediction is central to urban analytics, yet deep models trained on raw counts remain vulnerable to distribution shift. The core problem is that raw count supervision cannot distinguish transferable choice mechanisms from environment-specific shortcuts. Raw OD count mixes two objects: how much demand an origin produces and how that demand is allocated across destinations. We argue that the transferable object is the exposure-to-choice law that maps spatial conditions to relative destination preferences. We propose OpFlow, a mechanism-constrained framework that learns row-centered choice potentials and reconstructs flows by combining the induced allocation with a separately calibrated origin scale. Under distribution shift, spatial exposures and the induced allocations are allowed to vary; what transfers is the conditional map from exposure states to relative choice potentials. Theoretically, we characterize the identifiable row-centered potential and show that classical spatial interaction laws are restricted log-potential cases. Controlled synthetic shifts and a real-world experiment show OpFlow improves robustness under environment shifts.
• Abstract（参考訳）: オリジン・デスティネーション(OD)フロー予測は都市分析の中心であるが、生数に基づいて訓練された深層モデルは分布シフトに弱いままである。 核となる問題は、環境固有のショートカットと転送可能な選択メカニズムを区別できないことである。 Raw ODカウントは、原産地の需要量と、目的地間でどのようにその需要が配分されるかという2つのオブジェクトを混合する。 移動可能なオブジェクトは、空間条件を相対的な目的地嗜好にマッピングする露光対選択法である、と我々は主張する。 そこで我々は,行中心の選択電位を学習してフローを再構築する機構に制約のあるOpFlowを提案する。 分布シフトの下では、空間露光と誘導されたアロケーションは、どの移動が露光状態から相対的な選択ポテンシャルへの条件付き写像であるかによって異なる。 理論的には、同定可能な行中心ポテンシャルを特徴付け、古典的空間相互作用法則が対数ポテンシャルに制限されていることを示す。 制御された合成シフトと現実世界の実験は、OpFlowが環境シフト下で堅牢性を改善することを示している。

関連論文リスト

• Source-Lifted Flow Matching for Intervenable Multimodal Imitation [45.97335144597459]
  Source-Lifted Flow Matchingは、ソース交換可能なフローマッチングポリシーである。 Handleは、モード固有のフィールドではなく、条件付きフローのソースエンドポイントのみを選択する。
  論文  参考訳（メタデータ） (2026-07-11T08:33:04Z)
• Joint distribution of upstream runoff governs downstream river-discharge prediction uncertainty in distributed ML models [0.0]
  この技術的注記は、確率的予測をラップから分散モデルに移行することは、特定の新しい要件をもたらす、と論じている。 ラム付き推論では、モデルが出口分布を直接予測し、流域属性からの拡散を変調することができる。 分散推論において、下流からの放電は多くの上流からの流出予測をルーティングすることで得られるので、独立した局所サンプリング平均は不確実である。
  論文  参考訳（メタデータ） (2026-07-03T11:31:57Z)
• Active Flow Expansion for Out-of-Distribution Discovery: from Theory to Molecules [62.81692030818376]
  本稿では,モデルの生成可能な集合を拡大し,有効設計空間のカバレッジを増大させる,分散フローモデリングのための新しい学習原理を提案する。 本稿では, 検証器フィードバックを用いて, 新しい有効領域に事前学習モデルを拡張する, 継続的な事前学習手法であるアクティブフロー拡張(ActFlow)を提案する。 その結果、ActFlowは、初期訓練済みモデルによってモデル化された領域を超えて、有効な範囲を広げ、広く採用されている合成フロー事前学習法よりもはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2026-06-07T19:43:22Z)
• Bridging Predictive Uncertainty and Safe Action: Sample-Conditioned Differentiable Planning for Autonomous Driving [46.91409391705346]
  複雑でダイナミックでインタラクティブな運転環境は、自動運転に重大な課題をもたらす。 現在のシステムにおける基本的なボトルネックは、高度に表現力のある不確実性モデリングと解釈可能な安全な動き計画との切り離しである。 本稿では, このギャップを埋めるために, 拡散生成将来の軌道を最適化プロセスに明示的に組み込む, サンプル条件付き微分可能計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-02T08:10:02Z)
• Deterministic Decomposition of Stochastic Generative Dynamics [4.949940153151258]
  本稿では,境界および条件定式化の両方を通して生成力学を学習するためのフローベースフレームワークを提案する。 提案手法は,確率輸送における浸透的寄与を調節することにより,解釈可能かつ制御可能なサンプリングを可能にすることを示す。
  論文  参考訳（メタデータ） (2026-05-09T08:31:17Z)
• TRACE: Transport Alignment Conformal Prediction via Diffusion and Flow Matching Models [4.9352098965615]
  多次元出力に対して有効な情報領域を構築する方法について検討する。 交通路の速度や誤差を平均化することにより,候補出力が学習した生成力学とどの程度一致しているかを計測する。 結果として得られるトランスポートベースのスコアはスカラー値であり、共形予測分割を用いて校正することができる。
  論文  参考訳（メタデータ） (2026-05-08T01:28:57Z)
• MBD: A Model-Based Debiasing Framework Across User, Content, and Model Dimensions [50.00784452900918]
  この課題に対処する一般モデルベースデバイアス(MBD)フレームワークを提案する。 任意のコホートに対するエンゲージメント分布の文脈平均と分散を明示的に推定する。 この統合により、フレームワークはバイアス付き生信号からバイアスなしの表現に変換することができる。
  論文  参考訳（メタデータ） (2026-03-15T15:07:01Z)
• Differentiable Stochastic Traffic Dynamics: Physics-Informed Generative Modelling in Transportation [0.0]
  この研究は、物理制約自体が分散的かつ空間的であり、トラフィックフローのダイナミクスから導かれる枠組みを開発する。 このフレームワークは、分散トラフィック状態推定の基礎と、物理インフォームド・ジェネレーティブ・セッティングにおける基礎解析の基盤を提供する。
  論文  参考訳（メタデータ） (2026-03-10T04:25:20Z)
• When Environments Shift: Safe Planning with Generative Priors and Robust Conformal Prediction [4.462334751640166]
  自律システムは、時間とともに変化する可能性のある環境で機能する。 デプロイメント中に遭遇する環境は、トレーニング中に遭遇する環境とデータを反映することが滅多にない。 分散シフトと呼ばれる現象は、自律システムの安全性を損なう可能性がある。
  論文  参考訳（メタデータ） (2026-02-13T04:48:03Z)
• Counterfactual Realizability [52.85109506684737]
  本稿では, 正規化可能性の定義, 分布からサンプルを抽出する能力を導入し, 任意の反事実分布が実現可能であるかどうかを判定する完全アルゴリズムを開発する。 本稿では、因果的公正さと因果的強化学習のモチベーション例を用いて、この新たな反ファクト的データ収集フレームワークの意義を説明する。
  論文  参考訳（メタデータ） (2025-03-14T20:54:27Z)
• Rectified Diffusion Guidance for Conditional Generation [94.83538269086613]
  CFGの背後にある理論を再検討し、不適切な組合せ係数(textiti.e.)が生成分布を期待的にシフトさせることを厳密に確認する。 提案手法は, 強みを考慮すれば, textbftextitform ソリューションが有効であることを示す。 実世界のデータに関する実証的な証拠は、我々の設計と既存の最先端拡散モデルとの整合性を実証している。
  論文  参考訳（メタデータ） (2024-10-24T13:41:32Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)

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。