Fugu-MT 論文翻訳(概要): Leveraging Priors via Diffusion Bridge for Time Series Generation

論文の概要: Leveraging Priors via Diffusion Bridge for Time Series Generation

arxiv url: http://arxiv.org/abs/2408.06672v1
Date: Tue, 13 Aug 2024 06:47:59 GMT
ステータス: 処理完了
システム内更新日: 2024-08-14 18:26:42.298203
Title: Leveraging Priors via Diffusion Bridge for Time Series Generation
Title（参考訳）: 時系列生成のための拡散橋による先行手法の活用
Authors: Jinseong Park, Seungyun Lee, Woojin Jeong, Yujin Choi, Jaewook Lee,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 3.2066708654182743
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Time series generation is widely used in real-world applications such as simulation, data augmentation, and hypothesis test techniques. Recently, diffusion models have emerged as the de facto approach for time series generation, emphasizing diverse synthesis scenarios based on historical or correlated time series data streams. Since time series have unique characteristics, such as fixed time order and data scaling, standard Gaussian prior might be ill-suited for general time series generation. In this paper, we exploit the usage of diverse prior distributions for synthesis. Then, we propose TimeBridge, a framework that enables flexible synthesis by leveraging diffusion bridges to learn the transport between chosen prior and data distributions. Our model covers a wide range of scenarios in time series diffusion models, which leverages (i) data- and time-dependent priors for unconditional synthesis, and (ii) data-scale preserving synthesis with a constraint as a prior for conditional generation. Experimentally, our model achieves state-of-the-art performance in both unconditional and conditional time series generation tasks.
Abstract（参考訳）: 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。近年,時系列生成のデファクトアプローチとして拡散モデルが登場し,時系列データストリームや関連時系列データストリームに基づく多様な合成シナリオが強調されている。時系列は固定時間順序やデータスケーリングのようなユニークな特徴を持つため、標準ガウス事前は一般的な時系列生成には不適当である。本稿では,多様な先行分布を用いた合成手法を提案する。そこで本研究では,拡散ブリッジを利用したフレキシブルな合成を可能にするフレームワークであるTimeBridgeを提案する。我々のモデルは、時系列拡散モデルにおける幅広いシナリオをカバーし、これを活用します。一無条件合成のためのデータ及び時間に依存した先行 (II)条件生成の先行として制約付きデータスケール保存合成。実験により, 条件付き時系列生成タスクと条件付き時系列生成タスクの両方において, 最先端の性能を実現する。

関連論文リスト

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)
TimeAutoDiff: Combining Autoencoder and Diffusion model for time series tabular data synthesizing [13.385264002435145]
本稿では、遅延拡散モデルのパワーを活用して、合成時系列表データを生成する。可変オートエンコーダ(VAE)と拡散確率モデル(DDPM)のアイデアを組み合わせることでこの問題に対処する。 textttTimeAutoDiffという名前の私たちのモデルは、(1)汎用性:単一から複数シーケンスのデータセットの幅広い時系列データを処理できる能力など、いくつかの大きな利点があります。
論文参考訳（メタデータ） (2024-06-23T06:32:27Z)
Stochastic Diffusion: A Diffusion Probabilistic Model for Stochastic Time Series Forecasting [8.232475807691255]
本稿では,データ駆動型事前知識を各ステップで学習する新しい拡散(StochDiff)モデルを提案する。学習された事前知識は、複雑な時間的ダイナミクスとデータ固有の不確実性を捉えるのに役立つ。
論文参考訳（メタデータ） (2024-06-05T00:13:38Z)
Towards Foundation Time Series Model: To Synthesize Or Not To Synthesize? [2.8707270250981094]
本論では,合成データに基づく基礎モデルの学習に有利であるか,限られた実例のみを利用する方がよいか,という課題について考察する。本実験は,通常の時系列のみを対象として実施し,実時間時系列のみを活用することを優先して述べる。
論文参考訳（メタデータ） (2024-03-04T23:03:17Z)
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)
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)
Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文参考訳（メタデータ） (2023-01-08T12:20:46Z)
GT-GAN: General Purpose Time Series Synthesis with Generative Adversarial Networks [11.157586814297138]
本稿では,通常の時系列データと不規則時系列データを合成する汎用モデルを提案する。我々は,多くの関連技術が注意深く1つのフレームワークに統合される,生成的対向的ネットワークベースの手法を設計する。
論文参考訳（メタデータ） (2022-10-05T06:18:06Z)
Time Series is a Special Sequence: Forecasting with Sample Convolution and Interaction [9.449017120452675]
時系列データ(英: time series)とは、時系列データの一種で、時系列で記録された観測の集合である。既存のディープラーニング技術では、時系列解析にジェネリックシーケンスモデルを使用しており、そのユニークな性質を無視している。本稿では,新しいニューラルネットワークアーキテクチャを提案し,時系列予測問題に適用し,時間的モデリングのための複数の解像度でサンプル畳み込みと相互作用を行う。
論文参考訳（メタデータ） (2021-06-17T08:15:04Z)
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。

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。