論文の概要: EventOD: Event-Aware OD Flow Generation via LLM-Guided Semantic Modulation

• arxiv url: http://arxiv.org/abs/2607.22655v1
• Date: Fri, 26 Jun 2026 17:29:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.010233
• Title: EventOD: Event-Aware OD Flow Generation via LLM-Guided Semantic Modulation
• Title（参考訳）: EventOD: LLM-Guided Semantic Modulationによるイベント対応ODフロー生成
• Abstract要約: 災害応答と都市のレジリエンスには, 乱れ発生時の原位置流の推定が重要である。 本研究では,イベントセマンティクスを用いた事前学習OD生成を行うイベント適応OD生成フレームワークであるEventODを提案する。 ハリケーンとパンデミックによって引き起こされるアメリカ合衆国各郡のモビリティの実験では、EventODは再建の正確さと分布の忠実さの両方を一貫して改善している。
• 参考スコア（独自算出の注目度）: 13.11271966612456
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating origin-destination (OD) flows under disruptive events is important for disaster response and urban resilience. Existing deep OD models trained on routine mobility often degrade when extreme events abruptly alter regional functions and population activities, while retraining a new generator for each event is impractical under limited event-time supervision. We propose EventOD, an event-adaptive OD generation framework that steers a pretrained OD generator using structured event semantics. EventOD first uses a large language model to infer region-level functional and demographic control vectors from coarse event observations. It then learns two lightweight adaptation modules, AlphaNet and BetaNet, to calibrate the magnitude of these semantic shifts, and further introduces a retrieval-augmented fallback pathway for scenarios with sparse supervision. The resulting event-conditioned features are injected into a pretrained graph diffusion OD model through input-level modulation, enabling event-aware adaptation without updating generator parameters. Experiments on hurricane- and pandemic-induced mobility across U.S. counties show that EventOD consistently improves both reconstruction accuracy and distributional fidelity over strong baselines. Source code is available at https://anonymous.4open.science/r/EventOD-5C11/.
• Abstract（参考訳）: 災害応答と都市のレジリエンスには, 破壊的事象下でのオリジン・デスティネーション (OD) フローの推定が重要である。 通常の移動性で訓練された既存のディープODモデルは、極端なイベントが突然地域機能や人口活動を変更すると劣化することが多いが、各イベントに対する新しいジェネレータの再訓練は、イベントタイムの限られた監督の下では実行不可能である。 本研究では,イベントセマンティクスを用いた事前学習OD生成を行うイベント適応OD生成フレームワークであるEventODを提案する。 EventODはまず、大きめの言語モデルを使用して、粗いイベント観測から地域レベルの機能的および人口制御ベクタを推論する。 次に、AlphaNetとBetaNetという2つの軽量適応モジュールを学び、これらのセマンティックシフトの規模を調整し、さらにスパース・インスペクションのあるシナリオに対する検索強化されたフォールバック・パスを導入する。 結果のイベント条件付き特徴は、入力レベルの変調を通じて事前訓練されたグラフ拡散ODモデルに注入され、ジェネレータパラメータを更新することなくイベント認識適応を可能にする。 ハリケーンやパンデミックによって引き起こされるアメリカ合衆国各郡のモビリティに関する実験では、EventODは強いベースラインよりも復元精度と分布の忠実さの両方を一貫して改善している。 ソースコードはhttps://anonymous.4open.science/r/EventOD-5C11/で入手できる。

関連論文リスト

• StructRL: Structured Action-Space Exploration for Flow-Based VLAs [81.43458629514139]
  フローベースのビジョン・ランゲージ・アクションモデルは現在、連続的なロボット操作に広く使われている。 オンライン強化学習は、それらを新しいタスクに適応するための重要なテクニックとして浮上している。 動作群間で時間的にスムーズかつスケールの異なる,構造的雑音に対する効果的なロボット探索の必要性を示す。
  論文  参考訳（メタデータ） (2026-08-15T09:31:29Z)
• GLIDE: Graph-guided Leap Inference for Diffusion Estimation of Spatio-Temporal Point Processes [19.756452407351986]
  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。
  論文  参考訳（メタデータ） (2026-05-31T14:56:24Z)
• From AR to Diffusion: Efficiently Adapting Large Language Models with Strictly Causal and Elastic Horizons [74.25767873168745]
  拡散モデルは効率的な並列テキスト生成を約束するが、双方向の注意に依存し、事前訓練された自己回帰(AR)モデルによる構造的ミスマッチを生成する。 本稿では,ARバックボーンを拡散パラダイムに効率的に適応するフレームワークであるFLUIDを提案する。 実験により、FLUIDは訓練コストを桁違いに削減しつつ、最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2026-04-11T13:18:27Z)
• Generative Event Pretraining with Foundation Model Alignment [25.86429472344715]
  イベントカメラは、高速な動きと難解な照明条件下で、堅牢な視覚信号を提供する。 ユニークなセンシング特性とラベル付きデータの制限により、イベントベースのビジュアルファンデーションモデルのトレーニングが困難になる。 GEP(Generative Event Pretraining)は,インターネット規模の画像データセットから学習したセマンティック知識をイベントデータに転送する2段階のフレームワークである。
  論文  参考訳（メタデータ） (2026-03-24T10:10:34Z)
• Dynamics-Informed Deep Learning for Predicting Extreme Events [0.0]
  リアルタイム予測は、極端を駆動するメカニズムをエンコードする前駆体を要求する。 極端事象の長期予測のための,完全なデータ駆動型フレームワークを提案する。 断続乱流の標準モデルであるコルモゴロフ流の枠組みを実証する。
  論文  参考訳（メタデータ） (2026-03-11T13:51:17Z)
• Agentic Workflow Using RBA$_θ$ for Event Prediction [0.0]
  風力ランプのイベントは、強い変動性、マルチスケールのダイナミクス、およびサイト固有の気象効果のために予測が難しい。 本稿では、ランプイベントを直接予測し、その後に電力軌道を再構築するイベントファースト・周波数対応予測パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-02-05T13:03:15Z)
• Which Layer Causes Distribution Deviation? Entropy-Guided Adaptive Pruning for Diffusion and Flow Models [77.55829017952728]
  EntPrunerは、拡散およびフローモデルのためのエントロピー誘導自動プログレッシブプルーニングフレームワークである。 DiTモデルとSiTモデルの実験はEntPrunerの有効性を示し、最大2.22$times$推論スピードアップを達成する。
  論文  参考訳（メタデータ） (2025-11-26T07:20:48Z)
• Event Signal Filtering via Probability Flux Estimation [58.31652473933809]
  イベントは、非同期センシングを通じてシーンダイナミクスをキャプチャするための新しいパラダイムを提供するが、その固有のランダム性は、しばしば劣化した信号品質につながる。 したがって、イベント信号フィルタリングは、この内部ランダム性を低減し、多様な取得条件をまたいだ一貫した出力を確保することで、忠実性を高めるために不可欠である。 本稿ではイベント密度フローフィルタ(EDFilter)と呼ばれる生成オンラインフィルタリングフレームワークを紹介する。 実験では、イベントフィルタリング、スーパーレゾリューション、イベントベースの直接追跡といったタスクでEDFilterのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-10T07:03:08Z)
• Revisit Event Generation Model: Self-Supervised Learning of Event-to-Video Reconstruction with Implicit Neural Representations [11.874972134063638]
  本稿では,ラベル付きデータや光フロー推定を必要としない新しいSSLイベント・ビデオ再構成手法であるEvINRを提案する。 我々は、(x, y, t)$を座標とする暗黙的ニューラル表現(INR)を用いて、事象発生方程式を表現する。 オンラインの要求に対してEvINRを実現するために,トレーニングプロセスを大幅に高速化するいくつかのアクセラレーション手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T04:18:10Z)
• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• Non-Autoregressive Diffusion-based Temporal Point Processes for Continuous-Time Long-Term Event Prediction [8.88485011274486]
  本研究では,長期イベント予測のための拡散に基づく非自己回帰時間プロセスモデルを提案する。 事象列上で拡散過程を実行するために,対象事象列とユークリッドベクトル空間の間の双方向マップを開発する。 連続時間における長期イベント予測における最先端手法よりも提案モデルの方が優れていることを示す実験を行った。
  論文  参考訳（メタデータ） (2023-11-02T06:52:44Z)
• DiffSED: Sound Event Detection with Denoising Diffusion [70.18051526555512]
  生成学習の観点からSED問題を再構築する。 具体的には,騒音拡散過程において,雑音のある提案から音の時間境界を生成することを目的としている。 トレーニング中は,ノイズの多い遅延クエリを基本バージョンに変換することで,ノイズ発生過程の逆転を学習する。
  論文  参考訳（メタデータ） (2023-08-14T17:29:41Z)

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。