論文の概要: Diff-MTS: Temporal-Augmented Conditional Diffusion-based AIGC for Industrial Time Series Towards the Large Model Era
- arxiv url: http://arxiv.org/abs/2407.11501v1
- Date: Tue, 16 Jul 2024 08:38:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-17 15:52:20.945975
- Title: Diff-MTS: Temporal-Augmented Conditional Diffusion-based AIGC for Industrial Time Series Towards the Large Model Era
- Title（参考訳）: Diff-MTS:大規模モデル時代に向けての産業時系列のための時間拡張条件拡散型AIGC
- Authors: Lei Ren, Haiteng Wang, Yuanjun Laili,
- Abstract要約: 本稿では,MTS生成のための時間拡張適応拡散モデルDiff-MTSを提案する。
MTSデータの複雑な時間的依存関係とダイナミックスをよりよく扱うことを目的としている。
- 参考スコア（独自算出の注目度）: 2.3163712871079154
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industrial Multivariate Time Series (MTS) is a critical view of the industrial field for people to understand the state of machines. However, due to data collection difficulty and privacy concerns, available data for building industrial intelligence and industrial large models is far from sufficient. Therefore, industrial time series data generation is of great importance. Existing research usually applies Generative Adversarial Networks (GANs) to generate MTS. However, GANs suffer from unstable training process due to the joint training of the generator and discriminator. This paper proposes a temporal-augmented conditional adaptive diffusion model, termed Diff-MTS, for MTS generation. It aims to better handle the complex temporal dependencies and dynamics of MTS data. Specifically, a conditional Adaptive Maximum-Mean Discrepancy (Ada-MMD) method has been proposed for the controlled generation of MTS, which does not require a classifier to control the generation. It improves the condition consistency of the diffusion model. Moreover, a Temporal Decomposition Reconstruction UNet (TDR-UNet) is established to capture complex temporal patterns and further improve the quality of the synthetic time series. Comprehensive experiments on the C-MAPSS and FEMTO datasets demonstrate that the proposed Diff-MTS performs substantially better in terms of diversity, fidelity, and utility compared with GAN-based methods. These results show that Diff-MTS facilitates the generation of industrial data, contributing to intelligent maintenance and the construction of industrial large models.
- Abstract（参考訳）: 産業多変量時系列(英: Industrial Multivariate Time Series, MTS)は、機械の状態を理解するための産業分野の批判的な見解である。
しかし、データ収集の困難さとプライバシー上の懸念のため、産業インテリジェンスや工業用大規模モデルを構築する上で利用可能なデータは十分ではない。
したがって、産業時系列データ生成は非常に重要である。
既存の研究は通常、MTSを生成するためにGAN(Generative Adversarial Networks)を適用している。
しかし、GANは発電機と識別器の共同訓練により不安定な訓練プロセスに苦しむ。
本稿では,MTS生成のための時間拡張型条件適応拡散モデルDiff-MTSを提案する。
MTSデータの複雑な時間的依存関係とダイナミックスをよりよく扱うことを目的としている。
具体的には,MTSの制御生成に適応的最大平均離散性 (Ada-MMD) 法が提案されている。
拡散モデルの条件整合性を改善する。
さらに、複雑な時間パターンを捕捉し、さらに合成時系列の品質を向上させるために、時間分解再構成UNet(TDR-UNet)を構築した。
C-MAPSSおよびFEMTOデータセットに関する総合的な実験により、提案したDiff-MTSは、GANベースの手法と比較して多様性、忠実性、有用性において著しく優れていることが示された。
これらの結果から,Diff-MTSは産業データの生成を促進し,インテリジェントな保守と産業用大規模モデルの構築に寄与することが示唆された。
関連論文リスト
- TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model [11.281386703572842]
時間的自己回帰生成型トランスフォーマーアーキテクチャを利用するモデル群が開発されている。
TimeDiTは時系列の一般的な基礎モデルであり、時間的自己回帰生成の代わりにデノナイジング拡散パラダイムを用いる。
TimeDiTの有効性を実証するために,予測,計算,異常検出などのタスクの多種多様な実験を行った。
論文 参考訳（メタデータ） (2024-09-03T22:31:57Z) - 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) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Delayed Memory Unit: Modelling Temporal Dependency Through Delay Gate [16.4160685571157]
リカレントニューラルネットワーク(RNN)は、時間的依存をモデル化する能力で広く認識されている。
本稿では、ゲートRNNのための新しい遅延メモリユニット(DMU)を提案する。
DMUは遅延線構造と遅延ゲートをバニラRNNに組み込み、時間的相互作用を高め、時間的信用割り当てを容易にする。
論文 参考訳（メタデータ） (2023-10-23T14:29:48Z) - 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) - 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) - A Bayesian Generative Adversarial Network (GAN) to Generate Synthetic
Time-Series Data, Application in Combined Sewer Flow Prediction [3.3139597764446607]
機械学習では、生成モデル(generative model)は、データ分散を学習して人工データを生成する方法のクラスである。
本研究では,限られた時系列データのバランスをとるために,合成時系列を生成するGANモデルを開発した。
本研究の目的は, 降水量データを用いて流れを予測し, モデル性能における合成データを用いたデータ増大の影響を検討することである。
論文 参考訳（メタデータ） (2023-01-31T16:12:26Z) - 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) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Improving Robustness on Seasonality-Heavy Multivariate Time Series
Anomaly Detection [2.2559617939136505]
本稿では,時系列データにおけるロバスト異常検出(AD)の課題について考察する。
本稿では,季節・汚染データに対するロバスト性向上に向けた新たなアプローチを提案する。
我々は、このモデルが複雑な季節パターンに対してより堅牢な振る舞いを示すだけでなく、トレーニングデータ汚染に対する抵抗も増大する広範囲な実験を行う。
論文 参考訳（メタデータ） (2020-07-25T01:32:00Z) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳（メタデータ） (2020-03-16T03:43:59Z)
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。