論文の概要: More Sensors Only One Field: Rethinking Continual Spatio-Temporal Forecasting

• arxiv url: http://arxiv.org/abs/2609.31325v1
• Date: Fri, 25 Sep 2026 14:29:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.440322
• Title: More Sensors Only One Field: Rethinking Continual Spatio-Temporal Forecasting
• Title（参考訳）: センサーは1つだけ:連続的な時空間予測を再考する
• Abstract要約: 本稿では、予測知識を共有フィールド進化演算子としてパラメータ化するSTFO(patioS-Temporal Field Operator)を提案する。 正規化座標に基づくアグリゲーションは、センサ履歴を固定された潜在格子上に持ち上げ、学習された空間地図の再利用を可能にする。 PEMS-Stream、CA-Stream、AIR-Streamの実験では、最先端の平均予測性能が実証されている。
• 参考スコア（独自算出の注目度）: 42.54772630966788
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual spatio-temporal forecasting supports traffic management and environmental monitoring under evolving dynamics and expanding sensor networks. However, conventional graph-based continual learning methods tie forecasting representations to the current sensor layout, so sensor expansion can alter the representation of learned spatial relationships. Our key insight is that sensor expansion changes the evidence available about a process without necessarily changing the dynamics to be learned. We propose STFO (Spatio-Temporal Field Operator), which parameterizes forecasting knowledge as a shared field-evolution operator and handles changing sensor layouts through observation and query interfaces. Normalized coordinate-based aggregation lifts irregular sensor histories onto a fixed latent grid, enabling reuse of learned spatial maps across observation sets without sensor-specific parameters. To accommodate process drift, a spectral descriptor summarizes variation across spatial scales and conditions Fourier propagation and attention to adapt operator responses to the current spatial regime. Coordinate-based decoding queries the evolved field at sensor locations and combines spatial corrections with local-history predictions. Experiments on PEMS-Stream, CA-Stream, and AIR-Stream demonstrate state-of-the-art average forecasting performance. STFO-Large reduces average MAE over DOL by 8.4% on PEMS-Stream and 4.7% on CA-Stream. Our code is available at https://github.com/Xielewei/Spatio-Temporal-Field-Operator.
• Abstract（参考訳）: 継続的な時空間予測は、進化するダイナミックスの下での交通管理と環境モニタリングをサポートし、センサーネットワークを拡大する。 しかし,従来のグラフに基づく連続学習手法は,予測表現を現在のセンサレイアウトに結びつけるため,学習空間関係の表現を変えることができる。 私たちの重要な洞察は、センサーの拡張が、学習すべきダイナミクスを必ずしも変えることなく、プロセスに関する証拠を変更することです。 提案するSTFO(Spatio-Temporal Field Operator)は,予測知識を共有フィールド進化演算子としてパラメータ化し,センサレイアウトの変更を観測および問い合わせインタフェースを通じて処理する。 正規化座標に基づくアグリゲーションは、不規則なセンサ履歴を固定された潜在格子上に持ち上げ、センサ固有のパラメータを使わずに観測セット間で学習された空間マップの再利用を可能にする。 プロセスのドリフトに対応するために、スペクトル記述子は、現在の空間状態に対応する演算子応答に対するフーリエ伝搬と注意を、空間スケールと条件にまたがる変動を要約する。 コーディネートベースのデコーディングは、センサ位置の進化したフィールドをクエリし、空間補正と局所的歴史予測を組み合わせる。 PEMS-Stream、CA-Stream、AIR-Streamの実験では、最先端の平均予測性能が実証されている。 STFO-Largeは、PEMS-Streamで平均MAEを8.4%、CA-Streamで4.7%削減する。 私たちのコードはhttps://github.com/Xielewei/Spatio-Temporal-Field-Operatorで利用可能です。

関連論文リスト

• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Adaptive State-Space Mamba for Real-Time Sensor Data Anomaly Detection [2.922256022514318]
  本稿では,リアルタイムセンサデータ異常検出のためのemphAdaptive State-Space Mambaフレームワークを提案する。 我々のアプローチは、迅速で信頼性の高い検出機能を必要とする他の時系列タスクに容易に適用できます。
  論文  参考訳（メタデータ） (2025-03-26T21:37:48Z)
• MoGERNN: An Inductive Traffic Predictor for Unobserved Locations in Dynamic Sensing Networks [15.487715528848456]
  MoGERNNはセンサのない地域でも正確な渋滞進化を予測でき、交通管理に有用な情報を提供する。 実世界の2つのデータセットの実験では、MoGERNNは観測された場所と観測されていない場所の両方のベースラインメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-01-21T16:52:42Z)
• Leveraging arbitrary mobile sensor trajectories with shallow recurrent decoder networks for full-state reconstruction [4.243926243206826]
  LSTM(long, short-term memory)ネットワークやデコーダネットワークのようなシーケンス・ツー・ベクター・モデルでは,動的情報を全状態空間推定にマッピング可能であることを示す。 ネットワークアーキテクチャの例外的な性能は、3つのアプリケーションで実証される。
  論文  参考訳（メタデータ） (2023-07-20T21:42:01Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。