論文の概要: MercerFlow: Flow Matching in a Kernel-Induced Latent Space for Probabilistic Forecasting

• arxiv url: http://arxiv.org/abs/2610.06039v1
• Date: Mon, 05 Oct 2026 09:38:40 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:36:01.008898
• Title: MercerFlow: Flow Matching in a Kernel-Induced Latent Space for Probabilistic Forecasting
• Title（参考訳）: MercerFlow:確率予測のためのカーネル誘導遅延空間内のフローマッチング
• Abstract要約: データマッチングによる時系列予測のための確率的フローマッチング。 結果の先行は局所的相関を導入し、シーケンシャルアーキテクチャは通常それを吸収する。 より安価な選択肢は、逆写像を通じて単一の潜在ベクトルに時系列を埋め込んで、そこでの流れを学ぶことである。
• 参考スコア（独自算出の注目度）: 0.8782033967242784
• License:
• Abstract: Recent work has shown that probabilistic flow matching for time series forecasting benefits from a data-matched prior. The resulting prior introduces local correlations, which a sequential architecture usually absorbs: a recurrent neural network (RNN), a structured state-space model (S4), or a Transformer. However, such a backbone costs GPU memory and time per epoch. A cheaper alternative is MLP-based latent-space flow matching: embed the time series via an invertible map to a single latent vector and learn the flow there, so a tabular MLP can treat the series as a set of features. The relationship between the prior and the choice of linear latent map is understudied in conditional flow matching (CFM) forecasting, yet we found it strongly affects performance. Fixed transforms such as Fourier or discrete cosine (DCT) are only well-conditioned for Ornstein--Uhlenbeck priors, while a principal-component (PCA) map fit to the data is a strong but training-set-dependent reference sensitive to train--test shift. Instead, we propose to use the Mercer eigenbasis of the prior kernel: it diagonalises the centred covariance exactly, decouples from training data, and adapts to non-stationary and periodic priors. On five GluonTS benchmarks (ETTh1, ETTh2, Weather, Electricity, Traffic) under a shared protocol with TSFlow, the resulting MLP matches or beats it on CRPS at about $4.7\times$ less training memory and $3.5\times$--$4.4\times$ less time per epoch.
• Abstract（参考訳）: 近年の研究では、時系列予測のための確率的フローマッチングが、予め整合されたデータから得られる利点を示している。 結果として、シーケンシャルアーキテクチャは、リカレントニューラルネットワーク(RNN)、構造化状態空間モデル(S4)、トランスフォーマー(Transformer)といった、通常吸収される局所的相関を導入している。 しかし、そのようなバックボーンはGPUメモリとエポック毎の時間を要する。 より安価な選択肢は、MLPベースのラテント空間フローマッチングである: 1つのラテントベクトルに可逆写像を介して時系列を埋め込み、そこでフローを学習する。 条件付きフローマッチング (CFM) 予測において, 先行値と線形潜在写像の選択との関係について検討するが, 性能に強く影響することがわかった。 フーリエ (Fourier) や離散コサイン (DCT) のような固定された変換は、オルンシュタイン-ウレンベックの先行にのみよく条件付けされているが、データに適合する主成分 (PCA) マップは、列車-テストシフトに敏感なトレーニングセット依存参照である。 代わりに、前者のカーネルのマーサー固有基底を使い、中心となる共分散を正確に対角化し、トレーニングデータから切り離し、非定常および周期的な先行に適応する。 5つのGluonTSベンチマーク(ETTh1, ETTh2, Weather, Electricity, Traffic)でTSFlowと共有プロトコルで、結果のMPPはCRPSで約4.7\times$ トレーニングメモリと3.5\times$-4.4\times$ epoch。

関連論文リスト

• ProtoFlow: Prototype-Guided Flow Matching for Multivariate Time Series Forecasting [69.1065375191878]
  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。
  論文  参考訳（メタデータ） (2026-10-01T08:48:18Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Network-Optimised Spiking Neural Network for Event-Driven Networking [2.5941336499463383]
  スパイキングニューラルネットワークは、異常検出、ローカルルーティング制御、エッジでの混雑管理など、時間クリティカルなネットワークタスクに適したイベント駆動型計算を提供する。 本稿では,正規化された待ち行列の占有状態と回復資源を符号化したコンパクトな2変数ユニットであるNetwork-Optimized Spiking (NOS)を紹介する。 我々は、データ駆動初期化、リセットシャープネスに基づくホモトピーによる代理段階トレーニング、リソース制約されたデプロイメントのための境界のトポロジによる明確な安定性チェックのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-27T22:31:24Z)
• OLinear: A Linear Model for Time Series Forecasting in Orthogonally Transformed Domain [24.24834151329251]
  OLinearは$mathbfo$rthogonally変換されたドメインで、$mathbfo$rthogonally変換されたドメインで動作する。 多変量依存を捉えるために正規化重み行列を利用する、カスタマイズされた線形層である $mathbfNormLin$ を導入する。 24のベンチマークと140の予測タスクの実験は、OLinearが常に最先端のパフォーマンスを高い効率で達成していることを示している。
  論文  参考訳（メタデータ） (2025-05-12T10:39:37Z)
• TimePFN: Effective Multivariate Time Series Forecasting with Synthetic Data [22.458320848520042]
  TimePFNは、ベイズ推定の近似を目的としたPFN(Presideed-data Fitted Networks)の概念に基づいている。 我々は、いくつかのベンチマークデータセット上でTimePFNを評価し、MSS予測のための既存の最先端モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-22T16:55:14Z)
• Sundial: A Family of Highly Capable Time Series Foundation Models [47.27032162475962]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• Hankel-structured Tensor Robust PCA for Multivariate Traffic Time Series Anomaly Detection [9.067182100565695]
  本研究では,空間データにおける異常検出のためのRPCAのハンケル構造テンソルバージョンを提案する。 劣化した行列を低ランクのハンケルテンソルとスパース行列に分解する。 本手法は, 合成データと乗客フロー時系列を用いて評価する。
  論文  参考訳（メタデータ） (2021-10-08T19:35:39Z)

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。