論文の概要: Seq-Flow: Efficient Probabilistic Forecasting with Self-Rollout Error Control

• arxiv url: http://arxiv.org/abs/2610.10440v1
• Date: Wed, 07 Oct 2026 17:15:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.070831
• Title: Seq-Flow: Efficient Probabilistic Forecasting with Self-Rollout Error Control
• Title（参考訳）: Seq-Flow: 自己ロールアウトエラー制御による効率よい確率予測
• Abstract要約: Seq-Flow は条件付きフローモデルであり、ODE は以前の予測分布から更新されたフローへサンプルを輸送する。 再帰的再利用はまた、ある予測におけるエラーが、後続のフローの初期状態におけるエラーとなるという課題も生み出す。 自動ロールアウトトレーニングでは、モデルの移動平均コピーが予測を生成し、後続のトレーニング更新を初期化する。
• 参考スコア（独自算出の注目度）: 16.98025233623798
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many scientific forecasting tasks require updating a distribution over future trajectories as new observations arrive. Conventional diffusion and flow models generate each forecast from Gaussian noise, often at the cost of many sampling steps. Warm-start methods reuse earlier predictions to reduce this cost, but their models are not trained to perform the forecast update itself, which can compromise quality under few-step sampling. In this work, we introduce Seq-Flow, a conditional flow model whose ODE transports samples from the previous forecast distribution to the updated one. Because successive forecasts often differ only modestly, this transport starts from an informative distribution and can produce accurate updates with few flow evaluations. Recursive reuse also creates a challenge: errors in one forecast become errors in the initial states of subsequent flows. We address this with self-rollout training, in which a moving average copy of the model generates forecasts that initialize later training updates. Unlike self-forcing methods, which reuse generated outputs as conditioning context, Seq-Flow reuses them as the source of the next flow. Experiments On particle-accelerator beam spill forecasting show Seq-Flow reduces CRPS by 65% under a few-NFE sampling budget, while remaining competitive with strong baselines on fluid-dynamics forecasting tasks. Although trained on self-rollouts of at most four updates, Seq-Flow remains accurate over more than 400 consecutive updates. Our code is available at https://github.com/Graph-COM/Seq-Flow.
• Abstract（参考訳）: 多くの科学的予測タスクは、新しい観測が到着するにつれて、将来の軌道上の分布を更新する必要がある。 従来の拡散流モデルでは、ガウスノイズから各予測が生成され、しばしば多くのサンプリングステップのコストがかかる。 Warm-startメソッドはこのコスト削減のために以前の予測を再利用するが、予測更新自体を実行するようにトレーニングされていないため、数ステップのサンプリングで品質が損なわれる可能性がある。 本研究では,従来の予測分布から更新値にサンプルを輸送する条件付きフローモデルであるSeq-Flowを紹介する。 連続する予測はしばしばわずかに異なるため、この輸送は情報分布から始まり、フロー評価の少ない正確な更新を生成することができる。 再帰的再利用はまた、ある予測におけるエラーが、後続のフローの初期状態におけるエラーとなるという課題も生み出す。 自動ロールアウトトレーニングでは、モデルの移動平均コピーが予測を生成し、後続のトレーニング更新を初期化する。 生成した出力を条件付きコンテキストとして再利用する自己強制方式とは異なり、Seq-Flowはそれらを次のフローのソースとして再利用する。 粒子加速器ビーム流出予測実験では、数NFEサンプリング予算の下で、Seq-FlowはCRPSを65%削減するが、流体力学予測タスクの強いベースラインと競合する。 Seq-Flowは、少なくとも4回の更新のセルフロールアウトでトレーニングされているが、400回以上連続して更新されている。 私たちのコードはhttps://github.com/Graph-COM/Seq-Flow.orgから入手可能です。

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)
• Value Flows [90.1510269525399]
  本稿では, フローベースモデルを用いて, 将来のリターン分布を推定する。 学習したフローモデルに基づいて、新しいフロー微分ODEを用いて、異なる状態の戻り不確かさを推定する。 ステートベース37ドル、イメージベースのベンチマークタスク25ドルの実験では、バリューフローが平均的な成功率で1.3倍の改善を達成している。
  論文  参考訳（メタデータ） (2025-10-09T00:57:40Z)
• Text Generation Beyond Discrete Token Sampling [74.06071135207635]
  入力の混合(Mixture of Inputs, MoI)は、自動回帰生成のためのトレーニング不要な方法である。 MoIはQwQ-32B、Nemotron-Super-49B、Gemma-3-27B、DAPO-Qwen-32Bを含む複数のモデルのパフォーマンスを継続的に改善している。
  論文  参考訳（メタデータ） (2025-05-20T18:41:46Z)
• 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)
• Act Now: A Novel Online Forecasting Framework for Large-Scale Streaming Data [17.121851529311368]
  既存のオンライン予測手法には次のような問題がある。 彼らはストリーミングデータの更新頻度を考慮していない。 情報漏洩の除去はコンセプトドリフトを悪化させる可能性がある。 既存のGPUデバイスは、大規模なストリーミングデータのオンライン学習をサポートできない。
  論文  参考訳（メタデータ） (2024-11-28T01:39:45Z)
• Flow Matching with Gaussian Process Priors for Probabilistic Time Series Forecasting [43.951394031702016]
  本稿では,ガウス過程,最適輸送経路,データ依存の事前分布を組み合わせた時系列の条件付きフローマッチング(CFM)モデルであるTSFlowを紹介する。 条件付きモデルと非条件付きモデルの両方が、複数の予測ベンチマークで競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-10-03T22:12:50Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)

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。