English(EN) Spatiotemporal Imputation with Graph-Informed Flow Matching

新的GiFlow框架改进了时空数据填充

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-08 04:00

研究人员推出了一种新颖的时空填充框架GiFlow，用于解决时间序列应用中缺失数据的问题。与可能累积误差的传统方法不同，GiFlow利用了基于图信息的先验知识和混合矢量场模型来联合捕捉空间和时间依赖性。在合成和真实世界数据集上的实验表明，该方法在性能上优于现有的最先进技术。 AI

影响引入了一种处理时空系统中缺失数据的新方法，有可能改进环境监测和交通管理等领域的应用。

排序理由该集群包含一篇详细介绍时空填充新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Zepeng Zhang, Aref Einizade, Jhony H. Giraldo, Olga Fink · 2026-06-08 04:00

基于图信息的流匹配时空插值

arXiv:2606.06682v1 Announce Type: new Abstract: Missing data is a common challenge in spatiotemporal systems, arising in applications such as air quality monitoring and urban traffic management. Traditional machine learning approaches, like recurrent and graph neural networks, re…