論文の概要: Regular Time-series Generation using SGM

• arxiv url: http://arxiv.org/abs/2301.08518v1
• Date: Fri, 20 Jan 2023 11:34:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-23 13:31:03.375544
• Title: Regular Time-series Generation using SGM
• Title（参考訳）: SGMを用いた定期時間系列生成
• Authors: Haksoo Lim, Minjung Kim, Sewon Park, Noseong Park
• Abstract要約: 時系列生成領域のための条件付きスコアネットワークを提案する。 また、時系列生成領域におけるスコアマッチングとデノナイジングスコアマッチングの損失関数を導出する。 最後に、多様性と品質のサンプリングの観点から、実世界のデータセットの最先端結果を得る。
• 参考スコア（独自算出の注目度）: 12.181761518950044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Score-based generative models (SGMs) are generative models that are in the spotlight these days. Time-series frequently occurs in our daily life, e.g., stock data, climate data, and so on. Especially, time-series forecasting and classification are popular research topics in the field of machine learning. SGMs are also known for outperforming other generative models. As a result, we apply SGMs to synthesize time-series data by learning conditional score functions. We propose a conditional score network for the time-series generation domain. Furthermore, we also derive the loss function between the score matching and the denoising score matching in the time-series generation domain. Finally, we achieve state-of-the-art results on real-world datasets in terms of sampling diversity and quality.
• Abstract（参考訳）: スコアベース生成モデル(SGM)は、近年注目されている生成モデルである。 時系列は、例えば、ストックデータ、気候データなど、私たちの日常生活で頻繁に発生する。 特に、時系列予測と分類は機械学習の分野で人気のある研究トピックである。 SGMは、他の生成モデルよりも優れていることも知られている。 その結果,sgmを用いて条件スコア関数を学習することで時系列データを合成する。 時系列生成領域のための条件付きスコアネットワークを提案する。 さらに、時系列生成領域におけるスコアマッチングと雑音スコアマッチングとの損失関数も導出する。 最後に,実世界のデータセットにおいて,サンプリングの多様性と品質の観点から最先端の結果を得る。

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)
• TimeLDM: Latent Diffusion Model for Unconditional Time Series Generation [2.4454605633840143]
  時系列生成は意思決定システムにおいて重要な研究課題である。 最近のアプローチでは、時系列情報をモデル化するために、データ空間での学習に焦点を当てている。 高品質な時系列生成のための新しい遅延拡散モデルであるTimeLDMを提案する。
  論文  参考訳（メタデータ） (2024-07-05T01:47:20Z)
• Time Weaver: A Conditional Time Series Generation Model [13.273004650019827]
  時系列は、しばしば一対の不均一な文脈メタデータで富む。 Time Weaverは、異種メタデータを活用する新しい拡散ベースのモデルである。 Time Weaverは、実世界のエネルギー、医療、空気質、交通データに関する最先端のベンチマークよりも優れています。
  論文  参考訳（メタデータ） (2024-03-05T06:10:22Z)
• GAT-GAN : A Graph-Attention-based Time-Series Generative Adversarial Network [0.0]
  我々はGAT-GAN(Graph-Attention-based Generative Adversarial Network)を提案する。 GAT-GANは、敵対的に訓練されたオートエンコーダアーキテクチャを用いて、高忠実度の時系列データを生成する。 本稿では、Frechet Transformer distance(FTD)スコアと呼ばれる時系列データに対するFrechet Inception distance-like(FID)メトリクスを導入し、生成データの品質と多様性を評価する。
  論文  参考訳（メタデータ） (2023-06-03T04:23:49Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• Towards Generating Real-World Time Series Data [52.51620668470388]
  時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。 RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。 不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
  論文  参考訳（メタデータ） (2021-11-16T11:31:37Z)
• Networked Time Series Prediction with Incomplete Data [59.45358694862176]
  我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。 3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
  論文  参考訳（メタデータ） (2021-10-05T18:20:42Z)
• 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)
• Score-based Generative Modeling in Latent Space [93.8985523558869]
  スコアベース生成モデル(SGM)は,最近,サンプル品質と分布範囲の両面で顕著な結果を示した。 本稿では,Latent Score-based Generative Model (LSGM)を提案する。 データから潜在空間への移動により、より表現力のある生成モデルをトレーニングし、非連続データにSGMを適用し、よりスムーズなSGMをより小さな空間で学習することができる。
  論文  参考訳（メタデータ） (2021-06-10T17:26:35Z)
• Conditional GAN for timeseries generation [0.0]
  実時間時系列データをモデル化するために,TSGAN(Time Series GAN)を提案する。 ベンチマーク時系列データベースから,70データセット上でTSGANを評価する。
  論文  参考訳（メタデータ） (2020-06-30T02:19:18Z)

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。