論文の概要: Deterministic Prediction as Global Velocity: Flow Matching for Probabilistic Time-Series Forecast

• arxiv url: http://arxiv.org/abs/2610.18621v1
• Date: Tue, 13 Oct 2026 16:02:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 20:24:17.841683
• Title: Deterministic Prediction as Global Velocity: Flow Matching for Probabilistic Time-Series Forecast
• Title（参考訳）: 大域的速度としての決定論的予測:確率論的時系列予測のためのフローマッチング
• Abstract要約: 既存のアプローチはしばしば、予測性能を改善するために決定論的予測と生成的モデリングを組み合わせる。 本稿では,移動経路の終端ではなく,決定論的予測器を並列速度成分として組み込んだフローマッチング式DV-Flowを提案する。
• 参考スコア（独自算出の注目度）: 7.517070288522858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate uncertainty quantification is critical for many time series forecasting applications, and recent studies have increasingly adopted generative models to capture predictive uncertainty. Existing approaches often combine deterministic forecasting with generative modeling to improve predictive performance. However, their joint training is typically unstable because the deterministic model is embedded within the generative process, resulting in deep computational graphs and changing the probability transport path. In this work, we propose DV-Flow, a unified flow-matching formulation that incorporates the deterministic predictor as a parallel velocity component rather than as the endpoint of the transport path. This design enables stable end-to-end optimization while subsuming several existing formulations as special cases, allowing direct comparisons among them. Extensive experiments on six real-world datasets demonstrate that DV-Flow consistently improves probabilistic forecasting performance over strong baselines. Our code is available at https://github.com/tufts-ml/dv-flow-time-series.
• Abstract（参考訳）: 多くの時系列予測アプリケーションでは正確な不確実性定量化が重要であり、最近の研究では予測不確実性を捉えるために生成モデルの採用が増えている。 既存のアプローチはしばしば、予測性能を改善するために決定論的予測と生成的モデリングを組み合わせる。 しかし、それらの共同トレーニングは、決定論的モデルが生成過程に埋め込まれ、深い計算グラフが得られ、確率輸送経路が変化するため、通常は不安定である。 本研究では,移動経路の終端ではなく,決定論的予測器を並列速度成分として組み込んだフローマッチング式DV-Flowを提案する。 この設計は、いくつかの既存の定式化を特別なケースとして仮定しながら、安定したエンドツーエンドの最適化を可能にし、それらの直接比較を可能にする。 6つの実世界のデータセットに対する大規模な実験は、DV-Flowが強いベースラインよりも確率的予測性能を一貫して改善していることを示している。 私たちのコードはhttps://github.com/tufts-ml/dv-flow-time-seriesで利用可能です。

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)
• Two-stage Odd Residual Flows for Mean-Preserving Probabilistic Time Series Forecasting [9.992963275755159]
  2段階のOdd Residual Flows (TORF) は不確実性推定から平均予測を分離するフレームワークである。 TORFは、近距離および長距離予測において、強い密度推定性能(CRPS)を提供しながら、最先端の決定論的精度(NMAE)を達成する。
  論文  参考訳（メタデータ） (2026-08-11T16:22:47Z)
• PaP-NF: Probabilistic Long-Term Time Series Forecasting via Prefix-as-Prompt Reprogramming and Normalizing Flows [7.968962975207229]
  時系列予測は多くの実世界のアプリケーションにおいて中心的な役割を果たす。 既存のアプローチのほとんどは決定論的モデルに依存しており、単一点予測が不十分である。 本研究では,連続時系列表現を凍結した大言語モデルと整合する確率的予測フレームワークPaP-NFを提案する。
  論文  参考訳（メタデータ） (2026-05-22T04:22:14Z)
• SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
  拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:09:55Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• 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)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Conditional Approximate Normalizing Flows for Joint Multi-Step Probabilistic Electricity Demand Forecasting [32.907448044102864]
  本研究では,条件付き近似正規化流(CANF)を導入し,長い時間的地平線上で相関が存在する場合の確率的多段階時系列予測を行う。 実験の結果, 条件付き近似正規化フローは, 多段階予測精度で他の手法よりも優れており, 最大10倍のスケジューリング決定が導かれることがわかった。
  論文  参考訳（メタデータ） (2022-01-08T03:42:12Z)
• 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)

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。