確率的予測2026/10/1arXiv:2610.00976

変分ストリーミングフロー：物理時間における確率的予測

Variational Streaming Flow: Probabilistic Forecasting in Physical Time

物理時間で直接速度場を学習するストリーミングフローを潜在分布の学習により確率化し、計算効率を保ちながら長期予測や分岐ダイナミクス、JEPAベースの世界モデルへの組み込みで精度を向上させた。

詳しい要約

1. どんなもの？

- 物理時間における確率的予測のための Variational Streaming Flow (VSF) を提案。 - 決定論的な Streaming Flow (SF) を拡張し、潜在分布を学習することで確率的予測を可能にする。 - 計算効率を維持しつつ、決定論的・確率的力学系の両方で予測精度と分布忠実度を向上。 - 1,000ステップ超の長期ロールアウトや分岐力学系に有効。 - JEPA ベースの world model にプラグアンドプレイ予測器として統合可能。

2. 先行研究と比べてどこがすごい？

- 従来の flow matching は柔軟だが計算コストが高い。 - Streaming flow (SF) は物理時間で連続速度場を学習し効率的だが決定論的で単一軌道のみ。 - VSF は SF の効率性を保ちつつ、潜在分布を条件付きで学習し確率的予測を実現。 - 決定論的・確率的力学系で予測精度と分布忠実度が優れる。 - 長期ロールアウトや分岐力学系、JEPA ベース world model への統合で優位性を示す。

3. 技術・手法の肝は？

- 関心のある力学に条件付けられた潜在分布を学習。 - 物理時間で生成を行うことで SF の計算効率を維持。 - 変分推論に基づき潜在変数を導入し、確率的予測を可能にする。 - 速度場を直接物理時間で学習する SF の枠組みを拡張。 - 詳細なアーキテクチャや損失関数は要旨からは不明。

4. どうやって有効だと検証した？

- 決定論的および確率的力学系で評価。 - 予測精度と分布忠実度を比較。 - 1,000ステップを超える長期ロールアウトと分岐力学系で有効性を実証。 - JEPA ベース world model に統合し、ナビゲーション、運動計画、マニピュレーションにおける時間的ダイナミクスと目標指向成功率を改善。 - 具体的なデータセットやベースラインは要旨からは不明。

5. 議論はある？

- 計算効率と確率的予測の両立を主張。 - 長期ロールアウトや分岐力学系での優位性を強調。 - JEPA ベース world model への統合可能性を示す。 - 限界や課題、今後の方向性は要旨からは不明。

6. 次に読むべき論文は？

- Streaming Flow (SF) - Flow Matching - Joint-Embedding Predictive Architecture (JEPA) ベースの world model - 関連する確率的予測手法（例: 拡散モデル、変分推論）

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Hans Hao-Hsun Hsu, Minseon Gwak, Soon Hoe Lim, Pan Li, N. Benjamin Erichson

分類: cs.LG

原文アブストラクト

Probabilistic forecasting is important for predicting complex dynamical systems because intrinsic randomness and incomplete observations can cause the same observed state to evolve into multiple plausible futures. While flow matching is a flexible approach for probabilistic forecasting, it is computationally expensive. Streaming flow (SF) reformulates this approach to model temporal evolution efficiently by learning a continuous velocity field directly in physical time. However, SF learns a deterministic velocity field. Thus, it provides only a single future trajectory for a given fixed initial state and observation history. To overcome this limitation, we introduce Variational Streaming Flow (VSF). Our approach learns a latent distribution that is conditioned on the dynamics of interest. In turn, this enables probabilistic forecasting. Importantly, we retain the computational efficiency of SF by generating in physical time. Across deterministic and stochastic dynamical systems, VSF demonstrates superior predictive accuracy and distributional fidelity. We demonstrate the advantage for both long-horizon rollouts exceeding 1,000 steps, and settings with bifurcating dynamics. Moreover, VSF can be integrated into existing Joint-Embedding Predictive Architecture (JEPA)-based world models as a plug-and-play predictor to improve temporal dynamics and goal-directed success rate in navigation, motion planning, and manipulation.

arXivで原文を読む →arXiv概要ページ

← 論文一覧