論文の概要: Diffusion-based Time Series Imputation and Forecasting with Structured State Space Models

• arxiv url: http://arxiv.org/abs/2208.09399v3
• Date: Sat, 6 May 2023 12:43:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 00:34:26.382261
• Title: Diffusion-based Time Series Imputation and Forecasting with Structured State Space Models
• Title（参考訳）: 構造状態空間モデルによる拡散型時系列計算と予測
• Authors: Juan Miguel Lopez Alcaraz and Nils Strodthoff
• Abstract要約: 我々は、条件拡散モデルと構造化状態空間モデルという2つの新興技術に依存した計算モデルであるSSSDを提唱した。 我々は、SSSDが最先端の確率的計算値と一致し、幅広いデータセットと異なる欠点シナリオで性能を予測できることを実証する。
• 参考スコア（独自算出の注目度）: 2.299617836036273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The imputation of missing values represents a significant obstacle for many real-world data analysis pipelines. Here, we focus on time series data and put forward SSSD, an imputation model that relies on two emerging technologies, (conditional) diffusion models as state-of-the-art generative models and structured state space models as internal model architecture, which are particularly suited to capture long-term dependencies in time series data. We demonstrate that SSSD matches or even exceeds state-of-the-art probabilistic imputation and forecasting performance on a broad range of data sets and different missingness scenarios, including the challenging blackout-missing scenarios, where prior approaches failed to provide meaningful results.
• Abstract（参考訳）: 欠落した値の計算は、多くの実世界のデータ分析パイプラインにとって大きな障害となる。 ここでは,時系列データに着目し,(条件付き)拡散モデルを最先端生成モデルとして,構造化状態空間モデルを内部モデルアーキテクチャとして2つの新興技術に依存したインプテーションモデルであるssdを,特に時系列データの長期依存を捉えるのに適した内部モデルアーキテクチャとして展開する。 我々は,従来のアプローチでは有意義な結果が得られなかったブラックアウト回避シナリオを含む,幅広いデータセットとさまざまな欠損シナリオにおいて,SSSDが最先端の確率的計算と予測性能に一致または超えていることを示す。

関連論文リスト

• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
  C$2$TSDという条件拡散フレームワークを導入する。 実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-02-18T11:59:04Z)
• Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations [15.797295258800638]
  本稿では,実世界のデータでしばしば発生する課題に対処するために,時系列計算と予測のための新しいモデリング手法を提案する。 本手法はシリーズの進化力学の連続時間依存モデルに依存する。 メタラーニングアルゴリズムによって駆動される変調機構は、観測されたタイムウインドウを超えて、見えないサンプルや外挿への適応を可能にする。
  論文  参考訳（メタデータ） (2023-06-09T13:20:04Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
  古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。 本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。 粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
  論文  参考訳（メタデータ） (2021-06-10T21:49:23Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Stanza: A Nonlinear State Space Model for Probabilistic Inference in Non-Stationary Time Series [1.332560004325655]
  本研究では,非線形非定常状態空間モデルであるStanzaを提案する。 Stanzaは、特にマルチステップの事前予測において、現実世界のデータセット上の深層LSTMと競合する予測精度を達成する。
  論文  参考訳（メタデータ） (2020-06-11T16:06:35Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。