論文の概要: Towards Controllable Time Series Generation
- arxiv url: http://arxiv.org/abs/2403.03698v1
- Date: Wed, 6 Mar 2024 13:27:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 15:08:02.932261
- Title: Towards Controllable Time Series Generation
- Title(参考訳): 制御可能な時系列生成に向けて
- Authors: Yifan Bao, Yihao Ang, Qiang Huang, Anthony K. H. Tung, Zhiyong Huang
- Abstract要約: 時系列生成(TSG)は、実世界の時系列を正確に反映するデータを合成する重要な手法として登場した。
textsfCTSは、CTSG用に設計された革新的なVAE非依存のフレームワークである。
- 参考スコア(独自算出の注目度): 11.199605025284185
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time Series Generation (TSG) has emerged as a pivotal technique in
synthesizing data that accurately mirrors real-world time series, becoming
indispensable in numerous applications. Despite significant advancements in
TSG, its efficacy frequently hinges on having large training datasets. This
dependency presents a substantial challenge in data-scarce scenarios,
especially when dealing with rare or unique conditions. To confront these
challenges, we explore a new problem of Controllable Time Series Generation
(CTSG), aiming to produce synthetic time series that can adapt to various
external conditions, thereby tackling the data scarcity issue.
In this paper, we propose \textbf{C}ontrollable \textbf{T}ime \textbf{S}eries
(\textsf{CTS}), an innovative VAE-agnostic framework tailored for CTSG. A key
feature of \textsf{CTS} is that it decouples the mapping process from standard
VAE training, enabling precise learning of a complex interplay between latent
features and external conditions. Moreover, we develop a comprehensive
evaluation scheme for CTSG. Extensive experiments across three real-world time
series datasets showcase \textsf{CTS}'s exceptional capabilities in generating
high-quality, controllable outputs. This underscores its adeptness in
seamlessly integrating latent features with external conditions. Extending
\textsf{CTS} to the image domain highlights its remarkable potential for
explainability and further reinforces its versatility across different
modalities.
- Abstract(参考訳): 時系列生成(TSG)は、実世界の時系列を正確に反映するデータを合成する重要な手法として登場し、多くのアプリケーションで欠かせないものとなっている。
TSGの大幅な進歩にもかかわらず、その有効性は大規模なトレーニングデータセットを持つことにしばしば影響する。
この依存関係は、特に稀な条件やユニークな条件を扱う場合、データスカースシナリオにおいて大きな課題となる。
これらの課題に対処するため,制御可能時系列生成(CTSG)の新たな課題を探究し,様々な外部条件に適応可能な合成時系列を生成することにより,データ不足問題に対処する。
本稿では, CTSG に適した革新的VAE非依存フレームワークである \textbf{C}ontrollable \textbf{T}ime \textbf{S}eries (\textsf{CTS}) を提案する。
textsf{cts}の重要な特徴は、標準的なvaeトレーニングからマッピングプロセスを分離し、潜在的な特徴と外部状態との複雑な相互作用を正確に学習することである。
さらに,CTSGの総合評価手法を開発した。
3つの実世界の時系列データセットにわたる大規模な実験は、高品質で制御可能な出力を生成するために、 \textsf{CTS} の例外的な能力を示す。
これは、潜在機能と外部の条件をシームレスに統合することの利点を浮き彫りにする。
画像領域に \textsf{CTS} を拡張することは、説明可能性の顕著なポテンシャルを強調し、様々なモダリティにわたってその汎用性を強化する。
関連論文リスト
- Language in the Flow of Time: Time-Series-Paired Texts Weaved into a Unified Temporal Narrative [65.84249211767921]
テキスト・アズ・タイム・シリーズ(英語版) (TaTS) は時系列の補助変数であると考えている。
TaTSは、既存の数値のみの時系列モデルにプラグインすることができ、ペア化されたテキストで時系列データを効率的に処理することができる。
論文 参考訳(メタデータ) (2025-02-13T03:43:27Z) - Explainable AI for Multivariate Time Series Pattern Exploration: Latent Space Visual Analytics with Temporal Fusion Transformer and Variational Autoencoders in Power Grid Event Diagnosis [1.170167705525779]
本稿では、時間融合変換器(TFT)と変分自動符号化器(VAE)の2つの生成AIモデルを統合する新しい視覚分析フレームワークを提案する。
複雑なパターンを低次元の潜在空間に還元し、PCA, t-SNE, UMAPなどの次元還元技術を用いて2次元でDBSCANで可視化する。
このフレームワークは電力グリッド信号データのケーススタディを通じて実証され、多様な根本原因を持つ障害や異常を含むマルチラベルグリッドイベントシグネチャを識別する。
論文 参考訳(メタデータ) (2024-12-20T17:41:11Z) - Higher-order Cross-structural Embedding Model for Time Series Analysis [12.35149125898563]
時系列分析は、医療、金融、センサーネットワークといった様々な分野における重要な応用のために、注目されている。
現在のアプローチでは、時系列内の高次相互作用をモデル化し、時間的あるいは空間的依存関係を別々に学習することに注力しています。
本稿では,時間的視点と空間的視点の両方を協調的にモデル化する新しいフレームワークであるHigh-TS(Higher-order Cross-structural Embedding Model for Time Series)を提案する。
論文 参考訳(メタデータ) (2024-10-30T12:51:14Z) - TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
時系列データは、その固有の長短の依存関係によって特徴づけられる。
本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。
我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
論文 参考訳(メタデータ) (2024-04-12T13:41:29Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳(メタデータ) (2023-07-17T11:04:27Z) - Learning Gaussian Mixture Representations for Tensor Time Series
Forecasting [8.31607451942671]
我々は、時間、位置、およびソース変数に暗示される各不均一成分を個別にモデル化する新しいTS予測フレームワークを開発する。
2つの実世界のTSデータセットによる実験結果は、最先端のベースラインと比較して、我々のアプローチの優位性を検証する。
論文 参考訳(メタデータ) (2023-06-01T06:50:47Z) - Diagnostic Spatio-temporal Transformer with Faithful Encoding [54.02712048973161]
本稿では,データ生成プロセスが複合時間(ST)依存性を持つ場合の異常診断の課題について述べる。
我々は、ST依存を時系列分類の副産物として学習する、教師付き依存発見として問題を定式化する。
既存のST変圧器で使用される時間的位置符号化は、高周波数(短時間スケール)の周波数をキャプチャする重大な制限を有することを示す。
また、空間的および時間的方向の両方で容易に消費可能な診断情報を提供する新しいST依存性発見フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-26T05:31:23Z) - Latent Processes Identification From Multi-View Time Series [17.33428123777779]
本稿では,データ生成過程を逆転させて識別可能性を高めるために,コントラスト学習技術を用いた新しいフレームワークを提案する。
MuLTIは、最適輸送公式の確立によって、対応する重複変数をマージする置換機構を統合する。
論文 参考訳(メタデータ) (2023-05-14T14:21:58Z) - FormerTime: Hierarchical Multi-Scale Representations for Multivariate
Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。
1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文 参考訳(メタデータ) (2023-02-20T07:46:14Z) - ViTs for SITS: Vision Transformers for Satellite Image Time Series [52.012084080257544]
ビジョン変換器(ViT)に基づく一般衛星画像時系列(SITS)処理のための完全アテンショナルモデルを提案する。
TSViTはSITSレコードを空間と時間で重複しないパッチに分割し、トークン化し、分解されたテンポロ空間エンコーダで処理する。
論文 参考訳(メタデータ) (2023-01-12T11:33:07Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z)
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。