論文の概要: Variational Streaming Flow: Probabilistic Forecasting in Physical Time

• arxiv url: http://arxiv.org/abs/2610.00976v2
• Date: Sat, 03 Oct 2026 03:05:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 04:43:28.508882
• Title: Variational Streaming Flow: Probabilistic Forecasting in Physical Time
• Title（参考訳）: 変動流の流れ:物理時間における確率的予測
• Abstract要約: ストリームフロー(SF)は、物理時間で連続速度場を直接学習することで、時間的進化を効率的にモデル化するためのこのアプローチを再構成する。 提案手法は,関心のダイナミクスを前提とした潜伏分布を学習する。 決定論的および動的システム全体で、VSFはより優れた予測精度と分布忠実性を示す。
• 参考スコア（独自算出の注目度）: 16.181841130659787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic forecasting is important for predicting complex dynamical systems because intrinsic randomness and incomplete observations can cause the same observed state to evolve into multiple plausible futures. While flow matching is a flexible approach for probabilistic forecasting, it is computationally expensive. Streaming flow (SF) reformulates this approach to model temporal evolution efficiently by learning a continuous velocity field directly in physical time. However, SF learns a deterministic velocity field. Thus, it provides only a single future trajectory for a given fixed initial state and observation history. To overcome this limitation, we introduce Variational Streaming Flow (VSF). Our approach learns a latent distribution that is conditioned on the dynamics of interest. In turn, this enables probabilistic forecasting. Importantly, we retain the computational efficiency of SF by generating in physical time. Across deterministic and stochastic dynamical systems, VSF demonstrates superior predictive accuracy and distributional fidelity. We demonstrate the advantage for both long-horizon rollouts exceeding 1,000 steps, and settings with bifurcating dynamics. Moreover, VSF can be integrated into existing Joint-Embedding Predictive Architecture (JEPA)-based world models as a plug-and-play predictor to improve temporal dynamics and goal-directed success rate in navigation, motion planning, and manipulation.
• Abstract（参考訳）: 確率予測は複雑な力学系を予測するのに重要である、なぜなら本質的なランダム性や不完全な観測により、同じ状態が複数の可算未来へと進化する可能性があるからである。 フローマッチングは確率予測の柔軟なアプローチであるが、計算コストが高い。 ストリームフロー(SF)は、物理時間で連続速度場を直接学習することで、時間的進化を効率的にモデル化するためのこのアプローチを再構成する。 しかし、SFは決定論的速度場を学習する。 したがって、与えられた固定された初期状態と観測履歴に対して、単一の将来の軌道のみを提供する。 この制限を克服するために、変分ストリーミングフロー(VSF)を導入する。 提案手法は,関心のダイナミクスを前提とした潜伏分布を学習する。 これにより確率予測が可能となる。 重要なことは、物理時間で生成することで、SFの計算効率を維持することである。 決定論的および確率力学系全体で、VSFはより優れた予測精度と分布忠実性を示す。 我々は,1000歩を超える長距離ロールアウトと,分岐力学による設定の両方の利点を実証した。 さらに、VSFは既存のJEPA(Joint-Embedding Predictive Architecture)ベースの世界モデルにプラグイン・アンド・プレイ予測として統合することができ、ナビゲーション、モーションプランニング、操作における時間的ダイナミクスと目標指向の成功率を改善することができる。

関連論文リスト

• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• 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)
• Probabilistic Forecasting with Stochastic Interpolants and Föllmer Processes [18.344934424278048]
  生成モデルに基づく動的システムの確率的予測のためのフレームワークを提案する。 このSDEのドリフトと拡散係数は訓練後に調整できることを示し、推定誤差の影響を最小限に抑える特定の選択がF"ollmerプロセスを与えることを示した。
  論文  参考訳（メタデータ） (2024-03-20T16:33:06Z)
• Benchmarking Autoregressive Conditional Diffusion Models for Turbulent Flow Simulation [26.520247496906492]
  本研究では,条件付き拡散モデルに基づく自動回帰ロールアウトを利用した完全データ駆動型流体解法が,この問題に対処するための有効な選択肢であるかどうかを解析する。 各種流速予測手法の性能を定量的に定性的に評価するために, 非圧縮性および超音速流を含む3つの難解な2次元シナリオと等方性乱流を用いる。 単純な拡散に基づくアプローチであっても、トレーニング時のアンロールのような最先端の安定化技術と同等でありながら、精度と時間的安定性の観点から、複数の確立したフロー予測手法より優れていることが判明した。
  論文  参考訳（メタデータ） (2023-09-04T18:01:42Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。