論文の概要: AsyncCouple-Flow: Asynchronous Cross-Modal Coupling and Flow Matching for Spatio-Temporal Forecasting
- arxiv url: http://arxiv.org/abs/2609.16573v1
- Date: Tue, 15 Sep 2026 03:15:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.325254
- Title: AsyncCouple-Flow: Asynchronous Cross-Modal Coupling and Flow Matching for Spatio-Temporal Forecasting
- Title（参考訳）: AsyncCouple-Flow: 時空間予測のための非同期クロスモーダル結合とフローマッチング
- Abstract要約: AsyncCouple-Flowは、物理フィールド、衛星センサー、insituセンサーなどの異質なソースを組み合わせることで、天気予報、交通予報、地球系のモデリングをサポートする。
AsyncCouple-Flowは最先端のベースラインよりも優れており、最大2つの欠落したモダリティで堅牢である。
- 参考スコア（独自算出の注目度）: 14.101995007248997
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-modal spatio-temporal forecasting (MM-STF) supports weather nowcasting, traffic prediction, and earth-system modeling by combining heterogeneous sources such as physical fields, satellite imagery, and in-situ sensors. Three obstacles persist: (i) modalities have different spatio-temporal sampling rates, forcing lossy interpolation onto a unified grid; (ii) modalities are frequently missing at deployment due to sensor outages or revisit gaps, while most methods train with full availability; and (iii) autoregressive decoders accumulate errors over long horizons, amplified by multi-modal conditioning. We propose AsyncCouple-Flow to address these issues jointly. A Modality-Aware Token Sparsification (MATS) module performs scale-aware tokenization and uses a shared importance scorer to select top-k tokens per timestep, producing equal-length sequences. An Asynchronous Cross-Modal Coupling Graph (ACCG) replaces fixed cross-attention with a learnable graph whose edges encode time offsets, semantic similarity, and modality-specific physical priors, enabling fusion under arbitrary asynchrony and missingness. A Flow-Matching Forecasting Head models multi-step prediction as a conditional ODE, trained with stochastic modality dropout and integrated jointly to avoid autoregressive drift. Experiments on ERA5+GOES+ISD weather forecasting and PEMS-BAY traffic prediction with multi-source side information show that AsyncCouple-Flow outperforms state-of-the-art baselines and remains robust with up to two missing modalities. The code will be released upon acceptance.
- Abstract（参考訳）: マルチモーダル時空間予測(MM-STF)は、物理場、衛星画像、地中センサーなどの異種源を組み合わせることで、天気予報、交通予報、地系モデリングをサポートする。
3つの障害が持続する。
(i)モダリティは時空間サンプリング率が異なるため、損失補間を統一グリッドに強制する。
(ii) センサの故障やリバイジットギャップのため、配置時にモダリティが欠落することが多いが、ほとんどのメソッドはフル可用性でトレーニングしている。
三 自己回帰デコーダは、多モード条件で増幅された長い水平線上の誤差を蓄積する。
我々はこれらの問題に共同で対処するためにAsyncCouple-Flowを提案する。
Modality-Aware Token Sparsification (MATS)モジュールはスケール対応トークン化を実行し、共有重要スコアラを使用してタイムステップ毎にトップkトークンを選択し、等長シーケンスを生成する。
Asynchronous Cross-Modal Coupling Graph (ACCG)は、固定されたクロスアテンションを、エッジがタイムオフセット、セマンティックな類似性、モダリティ固有の物理的事前をエンコードする学習可能なグラフに置き換え、任意の非同期性と欠如の下での融合を可能にする。
Flow-Matching Forecasting Headはマルチステップ予測を条件付きODEとしてモデル化し、確率的モダリティドロップアウトで訓練し、自己回帰的ドリフトを避けるために統合する。
ERA5+GOES+ISD天気予報およびPEMS-BAY交通予報実験により,AsyncCouple-Flowは最先端のベースラインを上回る性能を示し,最大2つのモードが欠落している。
コードは受理時にリリースされます。
関連論文リスト
- StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models [84.17128030384099]
StreamPIはストリーミングマルチモーダル時間モデリングフレームワークである。
追加パラメータを導入することなく、単一フレームのVLAに時間的推論能力を持たせる。
メモリ依存および正確な認識シナリオにまたがる実ロボットタスクの実験とシミュレーションベンチマークのLIBEROは、StreamPIが様々なタスクでpi0.5より優れていることを示した。
論文 参考訳（メタデータ） (2026-08-26T17:33:19Z) - Residual Flow Matching with Dynamic Cross-Interaction for 3D Multi-Person Motion Prediction [10.207329247559242]
3次元多対人動作予測は、個々の運動学と対人相互作用の両方をモデル化する必要がある。
フローマッチングは、予測精度を向上させるために多仮説生成に有効である。
本稿では,事前ガイド型残留流れマッチングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-04T09:28:27Z) - FBFM: A Training-Free Asynchronous Feedback Mechanism for Flow-Matching in World-Action Models Execution [50.18922379062543]
フィードバックフローマッチング(Feedback Flow Matching, FBFM)は、アクティブに生成されたチャンク内で再接地を行うトレーニング不要な推論機構である。
トレーニング不要であるため、このメカニズムは予期せぬ事象に対する応答性を改善し、長時間の作業におけるドリフトを抑制する。
我々は,FBFMを第2世代WAMと第2世代WAMの両方で評価した。
論文 参考訳（メタデータ） (2026-07-31T10:11:09Z) - Enhancing Irregular Time Series Forecasting with Continuous-Time Modeling Framework [15.900704071560698]
WrapFlowは、不規則な時系列予測のための連続時間モデリングフレームワークである。
本研究では,ベース予測に関する条件付き残差ベクトル場を学習する残差フローマッチングの訓練パラダイムを開発する。
複数の実世界のデータセットの実験は、WrapFlowが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-07-30T11:18:18Z) - Optimization Trade-offs in Asynchronous Federated Learning: A Stochastic Networks Approach [2.0200069355804264]
非同期アルゴリズムは、到着時に更新を処理することで、更新スループットを向上する。
収束を低下させる勾配の安定化と、不均一なデータの下でより高速なクライアントへのバイアス。
我々は,クライアントとサーバのランダムな計算時間を共同でモデル化する汎用AsyncSGDのキューネットワークフレームワークを開発した。
論文 参考訳（メタデータ） (2026-03-27T09:53:53Z) - Fusion-Poly: A Polyhedral Framework Based on Spatial-Temporal Fusion for 3D Multi-Object Tracking [11.834891226231898]
Fusion-Polyは、非同期LiDARとカメラデータを統合する3D MOTのための時空間融合フレームワークである。
nuScenesテストセットでは、Fusion-Polyは76.5%のAMOTAを達成した。
論文 参考訳（メタデータ） (2026-03-09T10:26:44Z) - ATTS: Asynchronous Test-Time Scaling via Conformal Prediction [112.54016379556073]
大規模な言語モデル(LLM)は、テスト時のスケーリングの恩恵を受けるが、しばしば高い推論遅延によって妨げられる。
統計的に保証された適応スケーリングフレームワークであるATTS(Asynchronous Test-Time Scaling)を紹介する。
ATTSは、テストタイムのスケーリングにおいて最大56.7倍のスピードアップと4.14倍のスループット向上を実現している。
論文 参考訳（メタデータ） (2025-09-18T16:55:09Z) - DASA: Delay-Adaptive Multi-Agent Stochastic Approximation [64.32538247395627]
我々は,N$エージェントが並列に動作し,中央サーバと通信することで,一般的な近似問題を高速化することを目的とした設定を考える。
遅延とストラグラーの効果を軽減するために,マルチエージェント近似のための遅延適応アルゴリズムである textttDASA を提案する。
論文 参考訳（メタデータ） (2024-03-25T22:49:56Z) - Irregular Traffic Time Series Forecasting Based on Asynchronous Spatio-Temporal Graph Convolutional Network [46.409567044630116]
本稿では,不規則なトラフィック時系列予測に適した非同期時空間グラフ畳み込み nEtwoRk (ASeer) を提案する。
まず,適応的なトラフィック信号によって制御される非同期なトラフィック状態間の空間依存性をキャプチャする非同期グラフ拡散ネットワークを提案する。
そこで本研究では,時間認識型コンボリューションネットワークを提案し,時間認識型コンボリューションを時間認識型コンボリューションに適応させる。
論文 参考訳（メタデータ） (2023-08-31T15:49:21Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z)
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。