論文の概要: Time Series Synthesis via Multi-scale Patch-based Generation of Wavelet
Scalogram
- arxiv url: http://arxiv.org/abs/2211.02620v1
- Date: Fri, 21 Oct 2022 20:51:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 23:56:17.066552
- Title: Time Series Synthesis via Multi-scale Patch-based Generation of Wavelet
Scalogram
- Title(参考訳): マルチスケールパッチによるウェーブレット・スカグラム生成による時系列合成
- Authors: Amir Kazemi, Hadi Meidani
- Abstract要約: このフレームワークは,単一画像生成モデルを用いて時系列のウェーブレットカルグラムにおけるパッチの分布を捉えることを目的としている。
傾向のない時系列の忠実度や多様性に関して有効であることを示す。
- 参考スコア(独自算出の注目度): 2.741266294612776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A framework is proposed for the unconditional generation of synthetic time
series based on learning from a single sample in low-data regime case. The
framework aims at capturing the distribution of patches in wavelet scalogram of
time series using single image generative models and producing realistic
wavelet coefficients for the generation of synthetic time series. It is
demonstrated that the framework is effective with respect to fidelity and
diversity for time series with insignificant to no trends. Also, the
performance is more promising for generating samples with the same duration
(reshuffling) rather than longer ones (retargeting).
- Abstract(参考訳): 低データレジームの場合の単一サンプルからの学習に基づく合成時系列の無条件生成のための枠組みを提案する。
本フレームワークは,単一画像生成モデルを用いて時系列のウェーブレットシンクログラフィーにおけるパッチの分布を把握し,合成時系列を生成するための現実的なウェーブレット係数を生成することを目的とする。
この枠組みは, 時系列の忠実性と多様性に関して有効であり, 傾向を示さないことが実証された。
また、同じ持続時間(リシャフリング)でサンプルを生成するには、より長いサンプル(リターゲティング)よりもパフォーマンスがより有望である。
関連論文リスト
- Sundial: A Family of Highly Capable Time Series Foundation Models [64.6322079384575]
Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。
本モデルでは,事前分布を指定せずに事前学習を行い,複数の予測予測を生成できる。
TimeFlow Loss を通じてモード崩壊を緩和することにより、TimeBench 上で Sundial モデルのファミリーを事前訓練し、前例のないモデルキャパシティと一般化性能を示す。
論文 参考訳(メタデータ) (2025-02-02T14:52:50Z) - Evaluating Time Series Foundation Models on Noisy Periodic Time Series [0.0]
本稿では,雑音周期時系列を構成する2つのデータセットに対して,時系列基礎モデル(TSFM)の性能を評価する実験的検討を行った。
以上の結果から, TSFMは, 周期が制限された時系列に対して, より長い時間, 高い雑音レベル, サンプリング率, より複雑な時系列形状で予測能力が低下することが示唆された。
論文 参考訳(メタデータ) (2025-01-01T16:36:21Z) - Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。
提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
論文 参考訳(メタデータ) (2024-12-06T18:22:59Z) - Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。
39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
論文 参考訳(メタデータ) (2024-10-14T13:01:11Z) - Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための生成変換器Timer-XLを提案する。
Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-10-07T07:27:39Z) - Leveraging Priors via Diffusion Bridge for Time Series Generation [3.2066708654182743]
時系列生成はシミュレーション、データ拡張、仮説テスト技術といった実世界のアプリケーションで広く利用されている。
拡散モデルは、時系列生成のデファクトアプローチとして現れています。
TimeBridgeは、拡散ブリッジを活用してフレキシブルな合成を可能にするフレームワークで、選択した事前とデータ分散の間のトランスポートを学習する。
論文 参考訳(メタデータ) (2024-08-13T06:47:59Z) - Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。
Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。
Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-02-04T20:00:45Z) - TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳(メタデータ) (2024-02-04T13:10:51Z) - Feature Programming for Multivariate Time Series Prediction [7.0220697993232]
本稿では,時系列モデリングのためのプログラム可能な機能工学の概念を紹介する。
本稿では,ノイズの多い時系列に対して大量の予測機能を生成する機能プログラミングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-09T20:46:55Z) - Towards Diverse and Coherent Augmentation for Time-Series Forecasting [22.213927377926804]
時系列データの増大は、ディープラーニングモデルのトレーニングデータ不足の問題を緩和する。
我々は、より多種多様なコヒーレントなサンプルを生成するために、スペクトルと時間拡張を組み合わせることを提案する。
5つの実世界の時系列データセットの実験では、STAugがデータ拡張なしでベースモデルより優れていることが示されている。
論文 参考訳(メタデータ) (2023-03-24T19:40:34Z)
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。