Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching

Created by
  • Haebom

作者

Huibo Xu, Runlong Yu, Likang Wu, Xianquan Wang, Qi Liu

概要

従来の時系列予測のための生成モデルは、単純な事前分布（主にガウス）を複雑なデータ分布に変換します。これは、過去のデータとは無関係のサンプリング初期化によって時間依存性を正しくキャプチャできず、予測精度が制限されます。また、残差は単に最適化目標としてのみ扱われ、体系的な偏りや重要な分布構造などの意味のあるパターンを無視します。この論文では、補助予測モデルの出力を統合してフローマッチングを拡張する新しいモデル独立フレームワークである条件付き誘導フローマッチング（CGFM）を提案します。これにより、予測残差の確率的構造から学習し、補助モデルの予測分布を活用して学習難易度を低減し、予測を改善する。 CGFMは、過去のデータを条件とガイドの両方に統合し、双方向の条件付きパス（ソースとターゲットが同じ過去のデータを条件とする）を使用し、複雑なメカニズムなしでパスの交差を回避し、時間的一貫性を維持し、分布アラインメントを強化するためにアフィン経路を使用します。さまざまなデータセットと基準モデルの実験結果は、CGFMが最先端モデルを着実に凌駕して予測性能を向上させることを示しています。

Takeaways、Limitations

•
Takeaways：
◦
補助モデルを活用したフローマッチングによる時系列予測の精度向上の可能性の提示
◦
過去のデータを効果的に活用して時間依存性を改善する新しいフレームワークの提案。
◦
残差のパターンを活用して予測性能を向上させるアプローチを提示する。
◦
さまざまなデータセットと基準モデルの実験による優れた性能検証
•
Limitations：
◦
提案されたモデルの計算の複雑さとスケーラビリティの追加分析が必要です。
◦
さまざまな種類の時系列データの一般化パフォーマンス評価を追加する必要があります。
◦
補助予測モデルの選択と性能がCGFMの性能に及ぼす影響に関する深い研究の必要性
◦
実際のアプリケーションに適用とパフォーマンス検証が必要です。
👍
Made with Slashpage