論文の概要: ProtoFlow: Prototype-Guided Flow Matching for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.01320v1
• Date: Thu, 01 Oct 2026 08:48:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.015346
• Title: ProtoFlow: Prototype-Guided Flow Matching for Multivariate Time Series Forecasting
• Title（参考訳）: ProtoFlow: 多変量時系列予測のためのプロトタイプガイドフローマッチング
• Abstract要約: 本稿では,ベクトル量子化オートエンコーディングとプロトタイプ-プリアフローマッチングを組み合わせたベクトル量子化オートエンコーディングフレームワークを提案する。 提案手法は,多変量列を離散潜在空間にマッピングし,学習したコードブックから構造化後,最終的にDiTをベースとした補正流れを学習し,これより先から将来的な潜在表現へサンプルを輸送する。
• 参考スコア（独自算出の注目度）: 69.1065375191878
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative modeling has shown strong promise for multivariate time mseries (MTS) forecasting, especially scale to high-dimensional settings. Diffusion-based methods achieve competitive performance but typically require many sampling steps at inference. VAE-based non-iterative forecasting frameworks have therefore emerged as an efficient alternative. Within this line of work, vector quantization (VQ) enables controllable latent space modeling by mapping multivariate series into compact discrete representations. Existing VQ-based forecasting methods, however, typically rely on autoregressive (AR) token generation, which suffers from exposure bias and training-inference mismatch. Flow matching provides an efficient non-autoregressive alternative for latent forecasting, but existing formulations usually initialize transport from a generic Gaussian prior. We instead observe that the trained VQ codebook already captures representative latent prototypes and can thus serve as a more informative prior for flow matching. Based on this insight, we propose ProtoFlow, a forecasting framework that combines vector-quantized autoencoding with Prototype-prior Flow matching. Our method first maps multivariate sequences into a discrete latent space, then constructs a structured prior from the learned codebook, and finally learns a DiT-based rectified flow to transport samples from this prior to future latent representations conditioned on historical observations. By replacing generic noise initialization with a learned prototype prior, ProtoFlow avoids the rollout mismatch of AR token prediction and promotes faster training convergence. Extensive experiments on benchmark datasets show that it consistently achieves superior forecasting performance with efficient inference.
• Abstract（参考訳）: 生成モデリングは多変量時間mseries(MTS)予測、特に高次元設定へのスケールを強く約束している。 拡散に基づく手法は競合性能を達成するが、一般的には推論において多くのサンプリングステップを必要とする。 VAEベースの非定性予測フレームワークは、効率的な代替手段として登場した。 ベクトル量子化(VQ)は、多変量列をコンパクトな離散表現にマッピングすることで、制御可能な潜在空間モデリングを可能にする。 しかしながら、既存のVQベースの予測手法は、露出バイアスやトレーニング-推論ミスマッチに悩まされる自己回帰(AR)トークン生成に依存しているのが一般的である。 フローマッチングは、潜在予測に対する効率的な非自己回帰的な代替手段を提供するが、既存の定式化は通常、一般的なガウス以前の輸送を初期化する。 その代わりに、トレーニング済みのVQコードブックが、すでに代表的な潜入型プロトタイプをキャプチャしており、フローマッチングのより情報的な先駆けとして機能することを観察する。 この知見に基づいて,ベクトル量子化オートエンコーディングとプロトタイプ-プリアフローマッチングを組み合わせた予測フレームワークであるProtoFlowを提案する。 提案手法はまず,まず多変量列を離散潜在空間にマッピングし,学習したコードブックから構造化した先行構造を構築し,最終的にDiTをベースとした補正流れを学習し,この前から過去の観測に照らされた潜在表現へサンプルを輸送する。 一般的なノイズ初期化を学習済みのプロトタイプに置き換えることで、ProtoFlowはARトークン予測のロールアウトミスマッチを回避し、より高速なトレーニング収束を促進する。 ベンチマークデータセットの大規模な実験は、効率的な推論で優れた予測性能を継続的に達成していることを示している。

関連論文リスト

• CastFlow: Learning Role-Specialized Agentic Workflows for Time Series Forecasting [74.29761960394848]
  大規模言語モデル(LLM)のための動的エージェント予測フレームワークであるCastFlowを提案する。 CastFlowは予測プロセスを計画、アクション、予測、リフレクションに編成し、エージェントワークフローを確立する。 第3に、CastFlowは、汎用推論と特殊な数値予測を組み合わせたロール特殊化設計を採用する。
  論文  参考訳（メタデータ） (2026-04-30T13:24:42Z)
• Accelerated Sequential Flow Matching: A Bayesian Filtering Perspective [16.29333060724397]
  本稿では,ベイズフィルタを基盤とした逐次フローマッチングについて紹介する。 ストリーミング推論を,あるステップから次のステップへ予測分布を伝達する確率フローの学習として扱うことにより,ベイズ的信念更新の構造と自然に一致させる。 本手法は, サンプリングステップを1回, ごく少数必要としながら, フルステップ拡散と性能を競合させ, サンプリングを高速化する。
  論文  参考訳（メタデータ） (2026-02-05T05:37:14Z)
• TARFVAE: Efficient One-Step Generative Time Series Forecasting via TARFLOW based VAE [3.7770105485163206]
  本稿では,Transformer-based autoregressive Flow (TARFLOW) と変動型オートエンコーダ (VAE) を組み合わせた新しい生成フレームワークであるTARFVAEについて述べる。 単純なモジュールでは、TARFVAEはデータセット上の様々な予測地平線を越えて、最先端の決定論的および生成的モデルよりも優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-28T03:19:14Z)
• Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
  シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。 FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。 我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
  論文  参考訳（メタデータ） (2025-08-25T02:55:42Z)
• Generating ensembles of spatially-coherent in-situ forecasts using flow matching [0.3721016050171826]
  天気予報後処理のための機械学習に基づく手法を提案する。 我々のフロー・マッチング・ポストプロセッシング(FMAP)は、観測分布の相関構造をより良く表現する。 FMAPはEUPPBenchデータセットの実験で有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-04-04T14:12:53Z)
• Probabilistic Forecasting via Autoregressive Flow Matching [1.5467259918426441]
  FlowTimeは、時系列データの確率予測のための生成モデルである。 我々は、将来の観測の連成分布を条件密度の列に分解し、それぞれが共有フローを介してモデル化される。 本研究では,複数の動的システムおよび実世界の予測タスクにおけるFlowTimeの有効性を示す。
  論文  参考訳（メタデータ） (2025-03-13T13:54:24Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)

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。