流域ネットワークは、複数の支流が下流の河道に合流する収束的なトポロジーを持ち、多様な上流水文過程を統合している。無観測流域では直接観測が存在しないため不確実性が増大し、極端事象を事前に把握する能力が制限される。本研究は、限られた水文情報の下で、エンコーダのみのTransformerがLSTMよりも上流流量推定に優位性を持つかを評価するもので、NOAA国家水モデル（NWM）の遡及シミュレーションを使用している。
実験は、上流情報のみを使用する構成と、上流・下流情報を組み合わせる構成の2種類で行われた。両構成において、LSTMはTransformerモデルよりも総合的な性能で上回った。これは、上流再構築のような水文系列推論タスクでは、再帰的記憶メカニズムがエンコーダのみのTransformerの注意機構よりも、データの時系列依存構造に適合している可能性を示唆する。
さらに、下流情報を導入すると、すべてのモデルの性能が顕著に向上し、NNSE（Nash-Sutcliffe効率の正規化指標）の中央値が60%以上増加した。これは、下流の水文文脈が強力な補助制約として機能し、特定のアーキテクチャに限らず予測スキルを大幅に改善することを示している。
著者らは、この比較をリーダーボード形式のアーキテクチャ競争としてではなく、水文系列推論におけるアーキテクチャの帰納バイアスを検証するものと位置づけている。結果は、この上流再構築タスクにおいて再帰的記憶が依然としてエンコーダのみのTransformerよりもタスク要求に整合しており、下流文脈がアーキテクチャを問わず有効な補完情報を提供するという結論を導いている。
本論文はTaye Akinrele氏ら5名の著者による5ページの論文で、2026年6月1日に提出され、arXivの人工知能（cs.AI）カテゴリに属する。無観測流域の流量予測におけるアーキテクチャ選択と情報活用に関する実証的知見を提供している。