UniFlow 用共享离散接口统一多尺度时间序列生成并加速推理。
资讯摘要
论文提出 UniFlow，将多尺度表示学习与非自回归生成通过共享语义离散接口结合。多尺度分词器用共享索引投票把互补时间信息合并为单一 public-ID 序列，尺度专属码本保留重建信息；在此基础上提出几何感知类别流匹配，从学习到的低秩锚点初始化传输并非自回归生成 public 身份。作者报告在四个基准及短期、长期设置中生成保真度提升、跨尺度一致性强，推理较自回归与扩散基线明显加速。
要点速读
- 多尺度分词器采用共享索引投票，将多尺度信息整合为单一 public-ID 序列，尺度专属码本负责重建。
- 提出几何感知类别流匹配，从低秩锚点初始化传输，非自回归生成，无需多路生成 token 流或顺序解码。
- 作者报告在四个基准的短期与长期设置中生成保真度提升、跨尺度一致性较强，推理速度优于代表性自回归与扩散基线。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。