Fugu-MT 論文翻訳(概要): Time Series Synthesis via Multi-scale Patch-based Generation of Wavelet Scalogram

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

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)
Motion Code: Robust Time Series Classification and Forecasting via Sparse Variational Multi-Stochastic Processes Learning [3.2857981869020327]
本稿では,各時系列を連続的なプロセスの実現とみなす新しいフレームワークを提案する。この数学的アプローチは、タイムスタンプ間の依存関係をキャプチャし、ノイズ内の隠れた時間変化信号を検出する。現実のパーキンソン病センサートラッキングを含むノイズの多いデータセットの実験は、確立されたベンチマークに対するモーションコードの強力なパフォーマンスを実証している。
論文参考訳（メタデータ） (2024-02-21T19:10:08Z)
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)
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)
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)
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)

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。