論文の概要: PathFM: Fast Generative Forecasting of Multivariate Trajectories

• arxiv url: http://arxiv.org/abs/2610.22358v1
• Date: Thu, 15 Oct 2026 17:58:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.279773
• Title: PathFM: Fast Generative Forecasting of Multivariate Trajectories
• Title（参考訳）: PathFM: 多変量軌道の高速生成予測
• Abstract要約: ほとんどの先行するモデルは、将来の軌道の依存構造を未特定のまま残して、限界量子化を予測している。 PathFMは,フローマッチングを用いて完全な将来の経路を生成するトラジェクトリベースの予測モデルである。 PathFMは、確立された予測ベンチマーク fev-bench と TIME の競合限界精度を達成する。
• 参考スコア（独自算出の注目度）: 24.20649599668482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series foundation models are becoming increasingly popular for general-purpose forecasting. However, most leading models predict marginal quantiles, leaving the dependence structure of future trajectories unspecified. This distinction matters for trajectory-dependent quantities such as cumulative demand, peak load, and event timing, yet point and marginal scores do not reveal it. To model this dependence, we introduce PathFM, a trajectory-based forecasting model that uses flow matching to generate complete future paths. We further distill the model to one or two steps and share history attention cache across draws. Together, these enable PathFM to generate multiple paths for a single series in roughly the time needed for one query to a quantile model. The distilled sampler also makes it practical to optimize a calibration loss directly. PathFM achieves competitive marginal accuracy on the established forecasting benchmarks fev-bench and TIME. To complement these evaluations, we introduce Forecast Path Score Bench (fps-bench), which augments fev-bench tasks with energy and variogram scores and downstream metrics. PathFM achieves a higher aggregate path score on fps-bench than all evaluated external baselines. Experiments on chaotic systems further show that our flow model sustains long-run variability, while strong baselines rapidly collapse. PathFM makes generative time series forecasting both competitive and practical, enabling diverse downstream applications.
• Abstract（参考訳）: 時系列基礎モデルは、汎用的な予測においてますます人気が高まっている。 しかし、ほとんどの主要なモデルは、将来の軌道の依存構造を未特定のまま残して、限界量子化を予測している。 この区別は、累積需要、ピーク負荷、イベントのタイミングなどの軌道依存量に関して重要であるが、点数と限界スコアは明らかになっていない。 この依存をモデル化するために、フローマッチングを用いて完全な将来の経路を生成する軌道ベース予測モデルPathFMを導入する。 さらに1段階か2段階にモデルを蒸留し、ドローにまたがる履歴アテンションキャッシュを共有する。 これらの組み合わせにより、PathFMは1つの系列に対して1つのクエリに要する時間とほぼ同程度の時間で複数のパスを生成することができる。 また、蒸留した試料は、キャリブレーション損失を直接最適化するのも実用的である。 PathFMは、確立された予測ベンチマーク fev-bench と TIME の競合限界精度を達成する。 これらの評価を補完するために、fev-benchタスクをエネルギーとヴァリグラムスコアと下流メトリクスで強化するForecast Path Score Bench(fps-bench)を導入する。 PathFMは、すべての評価された外部ベースラインよりも、fps-bench上のアグリゲートパススコアが高い。 カオスシステムの実験により,我々の流れモデルが長期変動を持続する一方,強いベースラインは急速に崩壊することが示された。 PathFMは、競争力と実用性の両方を予測し、様々な下流アプリケーションを可能にする。

関連論文リスト

• GRAM: Correcting Frozen Time-Series Foundation Models via Graph-Retrieved Amplitude Memory [58.68570511441593]
  時系列基礎モデル(TSFM)は、ドメイン間事前トレーニングによるゼロショット予測を可能にする。 冷凍TSFMのための一般的な検索拡張フレームワークであるGRAMを提案する。
  論文  参考訳（メタデータ） (2026-10-04T00:20:36Z)
• 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)
• Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
  時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。 TSFMの新しい調停フレームワークであるSynapseを提案する。 その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-07T18:01:51Z)
• Efficiently Generating Correlated Sample Paths from Multi-step Time Series Foundation Models [66.60042743462175]
  時系列基礎モデルから正確な相関サンプルパスを効率的に生成するためのコプラに基づく手法を提案する。 提案手法は, 自己回帰サンプリングよりもはるかに高速に相関したサンプルパスを生成する。
  論文  参考訳（メタデータ） (2025-10-02T17:08:58Z)
• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。