論文の概要: TVGL-CFM:Generating and Forecasting Time-Varying Trajectories of Dynamic Networks with Conditional Flow Matching

• arxiv url: http://arxiv.org/abs/2607.16894v1
• Date: Sat, 18 Jul 2026 17:29:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.296983
• Title: TVGL-CFM:Generating and Forecasting Time-Varying Trajectories of Dynamic Networks with Conditional Flow Matching
• Title（参考訳）: TVGL-CFM:条件付き流れマッチングを用いた動的ネットワークの時間変動軌道の生成と予測
• Abstract要約: 本稿では,このようなチェーンの分布を学習し,時間的変化のあるネットワークトラジェクトリを新たに生成する,単一のモデルであるTVGL-CFMを紹介する。 予測には、ノイズではなく、最近の大まかな外挿から流れを開始するので、モデルは小さな補正しか学ばない。 脳波動画像、カオスシステム、および遺伝子発現データ全体にわたって、TVGL-CFMは実データのクラス識別構造を保持する軌跡を生成する。
• 参考スコア（独自算出の注目度）: 9.744098349911168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many complex systems such as brain networks, financial markets, and gene-regulatory circuits are described not by a fixed graph but by one that changes over time. A standard way to summarise such structure at each instant is the sparse precision (inverse-covariance) matrix, and the time-varying graphical lasso (TVGL) turns a multivariate signal into a smooth chain of these matrices. We introduce TVGL-CFM, a single model that learns the distribution of such chains and can both generate new, realistic time-varying network trajectories for a given class and forecast how an observed trajectory will continue. Each precision matrix lives on a curved space of positive-definite matrices, but a log-Euclidean chart flattens an entire trajectory into an ordinary vector space, so a simple conditional flow-matching model can be trained and sampled there while every decoded matrix is guaranteed to be a valid precision matrix. For forecasting we start the flow not from noise but from a rough extrapolation of the recent history, so the model only has to learn a small correction. Across EEG motor-imagery, chaotic systems, and gene-expression data, TVGL-CFM generates trajectories that keep the class-discriminative structure of real data, and it forecasts future connectivity more accurately than raw-signal baselines. Generating the structured precision trajectory directly is therefore more faithful than generating raw signals and estimating connectivity afterwards.
• Abstract（参考訳）: 脳ネットワークや金融市場、遺伝子調節回路といった複雑なシステムの多くは、固定されたグラフではなく、時間とともに変化するものによって記述される。 このような構造を各瞬間に要約する標準的な方法はスパース精度(逆共分散)行列であり、時間変化のグラフィカルラッソ(TVGL)は多変量信号をこれらの行列の滑らかな連鎖に変換する。 そこで本研究では,そのチェーンの分布を学習し,与えられたクラスに対する時間変動ネットワークトラジェクトリを新たに生成し,観測されたトラジェクトリの継続を予測できる単一モデルTVGL-CFMを提案する。 それぞれの精度行列は正定値行列の曲線空間上に存在するが、対数ユークリッドチャートは軌道全体を通常のベクトル空間に平らにするので、任意の復号行列が有効な精度行列であることが保証されている間に、単純な条件付きフローマッチングモデルをそこで訓練してサンプル化することができる。 予測には、ノイズではなく、最近の大まかな外挿から流れを開始するので、モデルは小さな補正しか学ばない。 脳波動画像、カオスシステム、遺伝子発現データ全体にわたって、TVGL-CFMは実データのクラス識別構造を維持する軌道を生成し、生信号ベースラインよりも将来的な接続性を正確に予測する。 したがって、構造化された精度軌道を直接生成することは、生信号を生成し、その後接続性を推定するよりも忠実である。

関連論文リスト

• TimeSynth: A Framework for Uncovering Systematic Biases in Time Series Forecasting [0.9332987715848716]
  Time Synthは、リアルタイム時系列の重要な特性をエミュレートする構造化されたフレームワークである。 リニア、マルチレイヤパーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、トランスフォーマーの4つのモデル群を評価する。
  論文  参考訳（メタデータ） (2026-02-11T22:31:29Z)
• Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
  ランダム行列によって駆動される高次元力学系について概説する。 機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
  論文  参考訳（メタデータ） (2026-01-03T00:12:32Z)
• Dynamics-Informed Reservoir Computing with Visibility Graphs [0.0]
  貯留層コンピューティングは、従来のディープラーニングに代わる計算的に効率的な代替手段を提供する。 その利点にもかかわらず、大まかにランダムな貯水池グラフアーキテクチャは、しばしば理解されていないダイナミクスを持つ最適以下のネットワークをもたらす。 本稿では,入力学習シーケンスから直接貯水池ネットワーク構造を体系的に推論する新しい動的インフォームド貯留層計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-25T08:07:17Z)
• Learning from Scratch: Structurally-masked Transformer for Next Generation Lib-free Simulation [5.564681128355971]
  本稿では,多段階データパスのパワーとタイミング予測のためのニューラルネットワークフレームワークを提案する。 私たちの知る限りでは、これは標準セル用に明示的に設計された言語ベースのネットリスト対応ニューラルネットワークとしては初めてのものです。
  論文  参考訳（メタデータ） (2025-07-23T10:46:25Z)
• Wavelet-Inspired Multiscale Graph Convolutional Recurrent Network for Traffic Forecasting [0.0]
  本稿では,マルチスケール解析(MSA)法とディープラーニング(DL)法を組み合わせたグラフ・コンパス・リカレント・ネットワーク(WavGCRN)を提案する。 提案手法は,現実のトラフィックデータセット上での解釈可能性,強力な学習能力,および競合予測性能を提供する。
  論文  参考訳（メタデータ） (2024-01-11T16:55:48Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic Turbulence via Deep Sequence Learning Models [24.025975236316842]
  最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。 モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
  論文  参考訳（メタデータ） (2021-12-07T03:33:39Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• Spatiotemporal convolutional network for time-series prediction and causal inference [21.895413699349966]
  時系列のマルチステップ予測を効率的に正確にレンダリングするために、ニューラルネットワークコンピューティングフレームワークi.N.N.を開発した。 このフレームワークは、人工知能(AI)や機械学習分野の実践的応用において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2021-07-03T06:20:43Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。