論文の概要: From Scalars to Time Series: Rethinking Implicit Neural Representations for Time-Varying Volumetric Data

• arxiv url: http://arxiv.org/abs/2607.20970v1
• Date: Thu, 23 Jul 2026 06:46:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.301542
• Title: From Scalars to Time Series: Rethinking Implicit Neural Representations for Time-Varying Volumetric Data
• Title（参考訳）: スカラーから時系列へ - 時間変化ボリュームデータに対する暗黙のニューラルネットワーク表現の再考
• Abstract要約: 時間変化データに対する入射神経(INR)表現は、通常、空間座標上の高密度サンプリングを用いて訓練される。 この座標ワイドの定式化は最適化中に広範な定式化を必要とするため、計算コストが高く、時間構造を非効率に利用することができる。 本研究では, 高度時空間サンプリングの必要性を排除し, フル時空間進化から各空間位置を構造化的に学習することを示す。
• 参考スコア（独自算出の注目度）: 4.306688954412578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit neural representations (INRs) for time-varying volumetric data are typically trained using dense sampling over spatiotemporal coordinates, where each observation corresponds to a single point in space and time. This coordinate-wise formulation requires extensive sampling during optimization, leading to high computational cost and inefficient use of temporal structure. In this work, we revisit this design choice and show that dense spatiotemporal sampling is not necessary for learning time-varying fields. Instead, we represent the data as a collection of spatially indexed time series and train INRs using sequence-level supervision over each spatial location, rather than coordinate-wise scalar samples. This reformulation eliminates the need for dense spatiotemporal sampling and instead learns each spatial location from its full temporal evolution in a structured manner. We demonstrate that this representation is compatible with a range of existing INR architectures and consistently improves reconstruction quality, while significantly reducing training cost. Furthermore, we show that this formulation can be combined with mixture-of-experts architectures, and that our MoE instantiation further improves reconstruction quality compared to both the base reformulation and existing MoE-based INR methods, providing a stronger capacity allocation under heterogeneous temporal dynamics.
• Abstract（参考訳）: 時間的に変化する体積データに対する入射神経表現(INR)は、時空間座標上の高密度サンプリングを用いて訓練される。 この座標ワイドの定式化は、最適化中に広範囲なサンプリングを必要とし、高い計算コストと時間構造の不効率な利用をもたらす。 本研究では、この設計選択を再考し、時間変化の学習に高密度時空間サンプリングは必要ないことを示す。 代わりに、データを空間インデックス化された時系列の集合として表現し、座標ワイドスカラーサンプルではなく、各空間位置のシーケンスレベルの監視を用いてINRを訓練する。 この再構成は、高密度時空間サンプリングの必要性を排除し、代わりに、その完全な時空間進化から構造化された方法で各空間位置を学習する。 この表現は、既存のINRアーキテクチャと互換性があり、トレーニングコストを大幅に削減しつつ、継続的に再構築品質を向上させることを実証する。 さらに, この定式化は, 実験用混合アーキテクチャと組み合わせることが可能であること, そして, このMoEのインスタンス化により, 基本改質法と既存のMoEベースのINR法と比較して, 再構成品質が向上し, 異種時間的動的条件下でのキャパシティアロケーションがより高くなることを示す。

関連論文リスト

• AdaAnchor4D: Anchor-Conditioned Spatiotemporal Feature Aggregation for Monocular UAV 4D Reconstruction [101.60152142970547]
  UAVビデオは複雑な都市のシーンを動的に再現するための貴重な観察を提供する。 異なる領域は時間的活動パターンに従い、ある動的変形領域の運動状態は時間とともにさらに進化する。 AdaAnchor4Dは単眼UAV動的シーン再構築のための適応アンカーフレームワークである。
  論文  参考訳（メタデータ） (2026-07-30T14:55:06Z)
• Complexity-Balanced Diffusion Splitting [20.558008394592097]
  Complexity-Balanced Splitting (CBS)は、時間的キャパシティ割り当てのための原則的なフレームワークである。 CBSは拡散時間軸を等近似重みのセグメントに分割する。 CBSは、ステップごとの推論コストを増大させることなく、継続的に品質を向上する。
  論文  参考訳（メタデータ） (2026-06-04T17:57:15Z)
• SPaRSe-TIME: Saliency-Projected Low-Rank Temporal Modeling for Efficient and Interpretable Time Series Prediction [0.0]
  SPaRSe-TIME(サイト・英語)は、時系列を分解して3つの相補的なコンポーネント(サリエンシ、メモリ、トレンド)にモデル化するフレームワークである。 多様な実世界のデータセットの実験は、SPaRSe-TIMEが競合性能を達成することを示した。 全体として、SPaRSe-TIMEは、モノリシックシーケンスモデルの原則的な代替、ブリッジ効率、解釈可能性、パフォーマンスを提供し、時系列学習のためのスケーラブルなフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-04-19T09:55:28Z)
• Escaping Spectral Bias without Backpropagation: Fast Implicit Neural Representations with Extreme Learning Machines [4.6894180050630005]
  暗黙の神経表現(INR)を訓練して、細部を捉えることは、通常反復的なバックプロパゲーションに依存する。 ELM-INRは、ドメインを反復的に分解し、エクストリームラーニングマシン(ELM)をクローズド形式で各ローカル問題に適合させるバックプロパゲーションフリーINRである。 この設計は、局所予測器を一意に分割することで高速で数値的に堅牢な再構成をもたらす。
  論文  参考訳（メタデータ） (2026-02-07T16:12:39Z)
• Low-Dimensional Adaptation of Rectified Flow: A New Perspective through the Lens of Diffusion and Stochastic Localization [59.04314685837778]
  整流流(RF)は、その生成効率と最先端の性能からかなりの人気を得ている。 本稿では,RFがターゲット分布の支持の内在的低次元性に自動的に適応し,サンプリングを高速化する程度について検討する。 時間分割方式を慎重に設計し,十分な正確なドリフト推定を行うことで,RFサンプリング器はオーダーO(k/varepsilon)$の複雑さを享受できることを示す。
  論文  参考訳（メタデータ） (2026-01-21T22:09:27Z)
• B-TGAT: A Bi-directional Temporal Graph Attention Transformer for Clustering Multivariate Spatiotemporal Data [0.15763762230817438]
  本稿では,2次元グラフ注意変換器(B-TGAT)を統合した時間分散ハイブリッドU-Netオートコーダを提案する。 エンコーダとデコーダは、共同時空間特徴を抽出するConvLSTM2Dモジュールを備えている。 実験は、最先端のベースラインと比較して、クラスター分離性、時間的安定性、既知の気候遷移との整合性が優れていることを示した。
  論文  参考訳（メタデータ） (2025-09-16T16:08:21Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• The Role of Temporal Hierarchy in Spiking Neural Networks [2.0881857682885836]
  スパイキングニューラルネットワーク(SNN)は、空間的パラメータと時間的パラメータの両方を活用することにより、リッチ時間信号処理の可能性を秘めている。 最近、時間定数は、ネットワークで必要とされるパラメータの総数を減らすのに役立つ計算上の利点があることが示されている。 最適化のコストを削減するために、この場合、時間領域においてアーキテクチャバイアスを適用することができる。 本稿では,SNNの隠蔽層に時間的表現の階層を付加し,そのような帰納的バイアスが性能を向上させることを明らかにする。
  論文  参考訳（メタデータ） (2024-07-26T16:00:20Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [55.596897987498174]
  本稿では,重み付き時間遅延フィードバック機構を備えたゲートリカレントユニット(GRU)を導入し,時系列データの長期依存性をモデル化する手法を提案する。 提案したモデルである $tau$-GRU は、繰り返し単位の連続時間定式化の離散版であり、力学は遅延微分方程式(DDE)によって制御される。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• Scalable Spatiotemporally Varying Coefficient Modelling with Bayesian Kernelized Tensor Regression [17.158289775348063]
  カーネル化されたテンソル回帰(BKTR)は、低ランクの時間構造を持つモデリングプロセスに対する新しいスケーラブルなアプローチと考えられる。 そこで本研究では,BKTRのモデル推定と推定において,BKTRの優れた性能と効率性を確認した。
  論文  参考訳（メタデータ） (2021-08-31T19:22:23Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。