論文の概要: Addressing Spatial Indistinguishability in Spatiotemporal Prediction via Optimal Transport-Guided Masking

• arxiv url: http://arxiv.org/abs/2609.35021v1
• Date: Mon, 28 Sep 2026 12:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 17:49:51.303025
• Title: Addressing Spatial Indistinguishability in Spatiotemporal Prediction via Optimal Transport-Guided Masking
• Title（参考訳）: 最適輸送誘導マスキングによる時空間予測における空間的不明瞭性への対処
• Abstract要約: textbfSTOTは、最適なトランスポートによってガイドされる構造化マスキングによって曖昧性を解決する自己教師型フレームワークである。 我々は,ノード間の動的関係を意識した類似度尺度と,事前学習時の不明瞭な位置を強調するための輸送型マスキング戦略を設計する。 6つの実世界のデータセットの実験は、STOTが最先端のベースラインと競合することを示している。
• 参考スコア（独自算出の注目度）: 6.713288409033168
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Spatiotemporal prediction aims to learn discriminative representations from correlated temporal signals over spatial structures for accurate future inference. A central challenge is \emph{spatial indistinguishability}: different nodes may share similar historical patterns yet evolve toward divergent futures, severely degrading forecasting performance in real-world sensor networks. Existing embedding-based and graph neural network (GNN)-based approaches can partially detect such ambiguous nodes but rely on historical similarity, struggling to capture \emph{future behavioral divergence}. We propose \textbf{STOT} (\textbf{S}patio\textbf{T}emporal \textbf{O}ptimal \textbf{T}ransport), a self-supervised framework that resolves spatiotemporal ambiguity via structured masking guided by optimal transport. Our key idea treats indistinguishability as a \emph{disambiguation} problem: future states are inferred by exploiting concurrent spatial correlations and their time-varying similarity. We design a similarity-aware metric for dynamic inter-node relationships and an optimal transport-based masking strategy to emphasize ambiguous positions during pre-training. A batch consistency constraint preserves semantic coherence, while a random-walk masking mechanism promotes structured context exploration. Experiments on six real-world datasets show that STOT performs competitively with state-of-the-art baselines on the evaluated benchmarks and improved interpretability through transport-plan visualizations.
• Abstract（参考訳）: 時空間予測は、空間構造上の相関時間信号から、正確な将来予測のための識別的表現を学習することを目的としている。 異なるノードは、同様の歴史的パターンを共有しながら、異なる未来に向けて進化し、現実世界のセンサーネットワークにおける予測性能を著しく低下させる。 既存の埋め込みベースおよびグラフニューラルネットワーク(GNN)ベースのアプローチは、そのようなあいまいなノードを部分的に検出できるが、歴史的類似性に依存しており、 \emph{future behavioral divergence} の取得に苦労している。 本稿では,最適輸送によって誘導される構造化マスキングによって時空間の曖昧さを解消する自己教師型フレームワークである, {textbf{STOT} (\textbf{S}patio\textbf{T}emporal \textbf{O}ptimal \textbf{T}ransport)を提案する。 我々のキーとなるアイデアは、区別不可能性を \emph{disambiguation} 問題として扱い、将来の状態は、同時空間相関と時間変化の類似性を利用して推測される。 我々は,ノード間の動的関係を意識した類似度尺度と,事前学習時の不明瞭な位置を強調するための輸送型マスキング戦略を設計する。 バッチ一貫性制約はセマンティックコヒーレンスを保持し、ランダムウォークマスキング機構は構造化されたコンテキスト探索を促進する。 6つの実世界のデータセットの実験により、STOTは評価されたベンチマークの最先端のベースラインと競合し、トランスポート・プランの可視化による解釈可能性の向上が示されている。

関連論文リスト

• PHGNet: Prototype-Guided Hypergraph Construction for Heterogeneous Spatiotemporal Forecasting [14.264660194299616]
  交通予測はインテリジェント交通システムにおいて重要な役割を担っている。 正確なトラフィックモデリングは複雑な依存関係に依存します。 既存の手法の多くは、いまだにペアの空間依存に限られている。 PHGNetは最先端の手法と比較して予測性能が優れている。
  論文  参考訳（メタデータ） (2026-05-25T08:10:16Z)
• GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
  本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。 PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。 これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
  論文  参考訳（メタデータ） (2026-03-01T09:30:11Z)
• Binary Flow Matching: Prediction-Loss Space Alignment for Robust Learning [23.616336786063552]
  フローマッチングは、生成モデリングの強力なフレームワークとして登場した。 速度に基づく目的と結合した場合に発生する潜在構造ミスマッチを同定する。 信号空間に対する目的の再調整が特異重み付けを排除していることを示す。
  論文  参考訳（メタデータ） (2026-02-11T02:02:30Z)
• Beyond Regularity: Modeling Chaotic Mobility Patterns for Next Location Prediction [21.810140501429803]
  次のロケーション予測は、スマートシティリソースアロケーションやパーソナライズされたナビゲーションサービスといったアプリケーションに不可欠な、人間のモビリティ分析における重要なタスクである。 既存の手法では周期的な移動パターンとカオス的な移動パターンの動的不均衡に対処できず、軌道上の適応が不十分になる。 生物にインスパイアされたカオスニューラル・アテンション機構を導入し、従来の注意に適応的変動を注入し、進化する移動行動のバランスの取れた表現を可能にする。
  論文  参考訳（メタデータ） (2025-09-15T09:10:48Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)

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。