論文の概要: Time Weaver: A Conditional Time Series Generation Model

• arxiv url: http://arxiv.org/abs/2403.02682v1
• Date: Tue, 5 Mar 2024 06:10:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 15:58:40.026214
• Title: Time Weaver: A Conditional Time Series Generation Model
• Title（参考訳）: Time Weaver: 条件付き時系列生成モデル
• Authors: Sai Shankar Narasimhan, Shubhankar Agarwal, Oguzhan Akcin, Sujay Sanghavi, Sandeep Chinchali
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.273004650019827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imagine generating a city's electricity demand pattern based on weather, the presence of an electric vehicle, and location, which could be used for capacity planning during a winter freeze. Such real-world time series are often enriched with paired heterogeneous contextual metadata (weather, location, etc.). Current approaches to time series generation often ignore this paired metadata, and its heterogeneity poses several practical challenges in adapting existing conditional generation approaches from the image, audio, and video domains to the time series domain. To address this gap, we introduce Time Weaver, a novel diffusion-based model that leverages the heterogeneous metadata in the form of categorical, continuous, and even time-variant variables to significantly improve time series generation. Additionally, we show that naive extensions of standard evaluation metrics from the image to the time series domain are insufficient. These metrics do not penalize conditional generation approaches for their poor specificity in reproducing the metadata-specific features in the generated time series. Thus, we innovate a novel evaluation metric that accurately captures the specificity of conditional generation and the realism of the generated time series. We show that Time Weaver outperforms state-of-the-art benchmarks, such as Generative Adversarial Networks (GANs), by up to 27% in downstream classification tasks on real-world energy, medical, air quality, and traffic data sets.
• Abstract（参考訳）: 都市の電力需要パターンを、天候、電気自動車の存在、そして冬の凍結時に容量計画に使用できる場所に基づいて生成することを想像してみてください。 このような実世界の時系列は、しばしばペア化された異種コンテキストメタデータ(ウェザー、ロケーションなど)で富む。 時系列生成に対する現在のアプローチは、これらの対のメタデータを無視することが多く、その不均一性は、画像、オーディオ、ビデオドメインから時系列ドメインへの既存の条件付き生成アプローチを適用する上で、いくつかの実用的な課題を提起する。 このギャップに対処するために,時系列生成を大幅に改善するために,異種メタデータをカテゴリ,連続,さらには時間変数として活用する,新しい拡散ベースモデルであるtime weaverを紹介する。 さらに,画像から時系列領域への標準評価指標の拡張が不十分であることを示す。 これらのメトリクスは、生成した時系列でメタデータ特有の特徴を再現することの特異性を損なう条件付き生成アプローチを罰しない。 そこで我々は,条件生成の特異性と生成時系列のリアリズムを正確に捉える新しい評価基準を考案した。 time weaverはgenerative adversarial networks (gans)のような最先端のベンチマークを上回っており、実世界のエネルギー、医療、空気品質、交通データに関するダウンストリーム分類タスクでは最大27%も上回っている。

関連論文リスト

• Recurrent Neural Goodness-of-Fit Test for Time Series [8.22915954499148]
  時系列データは、金融や医療など、さまざまな分野において重要である。 従来の評価基準は、時間的依存関係と潜在的な特徴の高次元性のために不足している。 Recurrent Neural (RENAL) Goodness-of-Fit testは,生成時系列モデルを評価するための新しい,統計的に厳密なフレームワークである。
  論文  参考訳（メタデータ） (2024-10-17T19:32:25Z)
• 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)
• Discrete-state Continuous-time Diffusion for Graph Generation [46.626952802292074]
  拡散生成モデルはグラフ生成タスクに適用されている。 離散状態連続時間設定でグラフ拡散生成を定式化する。 提案モデルでは,最先端のグラフ生成ソリューションと競合する経験的性能を示す。
  論文  参考訳（メタデータ） (2024-05-19T00:09:42Z)
• 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)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Instructed Diffuser with Temporal Condition Guidance for Offline Reinforcement Learning [71.24316734338501]
  テンポラリ・コンポラブル・ディフューザ(TCD)を用いた実効時間条件拡散モデルを提案する。 TCDは、相互作用シーケンスから時間情報を抽出し、時間条件で生成を明示的にガイドする。 提案手法は,従来のSOTAベースラインと比較して最高の性能を達成または一致させる。
  論文  参考訳（メタデータ） (2023-06-08T02:12:26Z)
• 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)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• Towards Spatio-Temporal Aware Traffic Time Series Forecasting--Full Version [37.09531298150374]
  同じ時系列パターンの複雑な時系列パターンが時間によって異なる可能性があるため、トラフィックシリーズの予測は困難である。 このような時間的モデルは、時間的位置と時間的期間に関わらず、共有パラメータ空間を使用し、時間的相関は場所間で類似しており、常に時間にわたって保持するわけではないと仮定する。 サブテンポラリモデルにICDを意識したモデルをエンコードするフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-29T16:44:56Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)

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。