論文の概要: Flow Matching with Gaussian Process Priors for Probabilistic Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2410.03024v1
• Date: Thu, 3 Oct 2024 22:12:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-03 04:25:56.034878
• Title: Flow Matching with Gaussian Process Priors for Probabilistic Time Series Forecasting
• Title（参考訳）: 確率的時系列予測のためのガウス過程前の流れマッチング
• Authors: Marcel Kollovieh, Marten Lienen, David Lüdke, Leo Schwinn, Stephan Günnemann,
• Abstract要約: 時系列の条件付きフローマッチング(CFM)モデルであるTSFlowを紹介する。 ガウス過程を(条件付き)組み込むことで、TSFlowは以前の分布をデータの時間構造とより密に整合させる。 条件付きモデルと非条件付きモデルの両方が,予測ベンチマークにおいて競合する結果が得られることを示す。
• 参考スコア（独自算出の注目度）: 43.951394031702016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in generative modeling, particularly diffusion models, have opened new directions for time series modeling, achieving state-of-the-art performance in forecasting and synthesis. However, the reliance of diffusion-based models on a simple, fixed prior complicates the generative process since the data and prior distributions differ significantly. We introduce TSFlow, a conditional flow matching (CFM) model for time series that simplifies the generative problem by combining Gaussian processes, optimal transport paths, and data-dependent prior distributions. By incorporating (conditional) Gaussian processes, TSFlow aligns the prior distribution more closely with the temporal structure of the data, enhancing both unconditional and conditional generation. Furthermore, we propose conditional prior sampling to enable probabilistic forecasting with an unconditionally trained model. In our experimental evaluation on eight real-world datasets, we demonstrate the generative capabilities of TSFlow, producing high-quality unconditional samples. Finally, we show that both conditionally and unconditionally trained models achieve competitive results in forecasting benchmarks, surpassing other methods on 6 out of 8 datasets.
• Abstract（参考訳）: 生成モデリングの最近の進歩、特に拡散モデルにより、時系列モデリングの新しい方向性が開かれ、予測と合成における最先端のパフォーマンスが達成されている。 しかし、データと先行分布が著しく異なるため、単純で固定された事前の拡散モデルへの依存は生成過程を複雑にする。 本稿では、ガウス過程、最適輸送経路、データ依存の事前分布を組み合わせることで、生成問題を単純化する時系列の条件付きフローマッチング(CFM)モデルであるTSFlowを紹介する。 ガウス過程を(条件付き)組み込むことで、TSFlowは以前の分布をデータの時間構造とより密に調整し、非条件生成と条件生成の両方を強化する。 さらに,非条件付きモデルを用いた確率的予測を可能にする条件付き事前サンプリングを提案する。 実世界の8つのデータセットに対する実験的な評価では、TSFlowの生成能力を実証し、高品質な無条件サンプルを生成した。 最後に、条件付きモデルと非条件付きモデルの両方が、ベンチマークの予測において、他の8つのデータセットの6つのメソッドを上回り、競合する結果が得られることを示す。

関連論文リスト

• FM-TS: Flow Matching for Time Series Generation [71.31148785577085]
  本稿では、時系列生成のための修正フローマッチングベースのフレームワークFM-TSを紹介する。 FM-TSは、トレーニングと推論の点でより効率的である。 我々は、太陽予測とMuJoCo計算タスクにおいて優れた性能を達成した。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Leveraging Priors via Diffusion Bridge for Time Series Generation [3.2066708654182743]
  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。
  論文  参考訳（メタデータ） (2024-08-13T06:47:59Z)
• Discrete Flow Matching [74.04153927689313]
  本稿では,離散データ生成に特化して設計された新しい離散フローパラダイムを提案する。 我々のアプローチは、非自己回帰的な方法で高品質な離散データを生成することができる。
  論文  参考訳（メタデータ） (2024-07-22T12:33:27Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• Predict, Refine, Synthesize: Self-Guiding Diffusion Models for Probabilistic Time Series Forecasting [10.491628898499684]
  時系列の非条件学習拡散モデルであるTSDiffを提案する。 提案する自己誘導機構により、補助的ネットワークやトレーニング手順の変更を必要とせず、推論中に下流タスクに対してTSDiffを条件付けることができる。 本研究では,予測,改良,合成データ生成という3つの時系列タスクにおいて,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-21T10:56:36Z)
• Practical and Asymptotically Exact Conditional Sampling in Diffusion Models [35.686996120862055]
  条件生成法では,タスク固有の訓練を必要とせず,幅広い条件分布の正確なサンプルを提供する必要がある。 重み付き粒子の集合をシミュレートすることで拡散モデルの条件分布をターゲットとした逐次モンテカルロアルゴリズムであるTwisted Diffusion Sampler(TDS)を導入する。 ベンチマークテストケースでは、TDSはフレキシブルなコンディショニング基準を可能にし、多くの場合、最先端の技術よりも優れています。
  論文  参考訳（メタデータ） (2023-06-30T16:29:44Z)
• User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
  拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。 本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。 推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
  論文  参考訳（メタデータ） (2023-06-13T03:42:03Z)
• GP-ConvCNP: Better Generalization for Convolutional Conditional Neural Processes on Time Series Data [4.141867179461668]
  畳み込み条件ニューラルネットワーク(ConvCNP)は,先行技術よりも優れた性能を示した。 時系列データに適用した場合,一般化に苦慮することがある。 特に、それらは分布シフトに対して堅牢ではなく、観測されたパターンを将来への外挿に失敗する。
  論文  参考訳（メタデータ） (2021-06-09T10:26:39Z)

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。