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
- Unified Training of Universal Time Series Forecasting Transformers [110.79681024473159]
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 [70.38241681764738]
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) - Timer: Transformers for Time Series Analysis at Scale [87.9808714449511]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。
事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。
多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文 参考訳(メタデータ) (2024-02-04T06:55:55Z) - 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) - Generative modeling for time series via Schr{\"o}dinger bridge [0.0]
本稿では,SB (Schr'dinger Bridge) に基づく時系列生成モデルを提案する。
これは、経路空間上の基準確率測度と、時系列の合同データ分布と整合した目標測度との間の最適輸送によるエントロピックから構成される。
論文 参考訳(メタデータ) (2023-04-11T09:45:06Z) - 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) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2023-01-08T12:20:46Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-10-26T20:41:19Z) - ScoreGrad: Multivariate Probabilistic Time Series Forecasting with
Continuous Energy-based Generative Models [10.337742174633052]
本研究では,連続エネルギーモデルに基づく確率的時系列予測フレームワークであるScoreGradを提案する。
ScoreGradは時系列特徴抽出モジュールと条件微分方程式に基づくスコアマッチングモジュールで構成される。
6つの実世界のデータセットで最先端の結果が得られます。
論文 参考訳(メタデータ) (2021-06-18T13:22:12Z) - Synergetic Learning of Heterogeneous Temporal Sequences for
Multi-Horizon Probabilistic Forecasting [48.8617204809538]
本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。
不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。
我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
論文 参考訳(メタデータ) (2021-01-31T11:00:55Z) - Pattern-based Long Short-term Memory for Mid-term Electrical Load
Forecasting [0.0]
本研究は,1年間の地平線で月次電力需要時系列を予測するためのネットワークを提示する。
この研究の新規性は、分解の代替として季節時系列のパターン表現を使用することである。
欧州35か国における月次電力需要時系列のシミュレーション研究により,提案モデルの高性能性が確認された。
論文 参考訳(メタデータ) (2020-04-22T08:39:32Z)
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。