論文の概要: Constrained Posterior Sampling: Time Series Generation with Hard Constraints

• arxiv url: http://arxiv.org/abs/2410.12652v1
• Date: Wed, 16 Oct 2024 15:16:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 13:43:11.033901
• Title: Constrained Posterior Sampling: Time Series Generation with Hard Constraints
• Title（参考訳）: 制約付き後方サンプリング:ハード制約による時系列生成
• Authors: Sai Shankar Narasimhan, Shubhankar Agarwal, Litu Rout, Sanjay Shakkottai, Sandeep P. Chinchali,
• Abstract要約: 時系列サンプルは、ストレステストモデルに不可欠であり、合成データを使用することでユーザのプライバシを保護する。 制約付き時系列を生成する既存のアプローチは、拡張性がないか、サンプルの品質が低下しているかのいずれかである。 本稿では,拡散に基づくサンプリングアルゴリズムであるConstrained Posterior Sampling (CPS)を導入する。 CPSは、実世界のストック、トラフィック、空気質のデータセットにおいて、サンプルの品質とリアルタイムシリーズとの類似性において、それぞれ10%と42%を上回ります。
• 参考スコア（独自算出の注目度）: 21.48057675740321
• License:
• Abstract: Generating realistic time series samples is crucial for stress-testing models and protecting user privacy by using synthetic data. In engineering and safety-critical applications, these samples must meet certain hard constraints that are domain-specific or naturally imposed by physics or nature. Consider, for example, generating electricity demand patterns with constraints on peak demand times. This can be used to stress-test the functioning of power grids during adverse weather conditions. Existing approaches for generating constrained time series are either not scalable or degrade sample quality. To address these challenges, we introduce Constrained Posterior Sampling (CPS), a diffusion-based sampling algorithm that aims to project the posterior mean estimate into the constraint set after each denoising update. Notably, CPS scales to a large number of constraints (~100) without requiring additional training. We provide theoretical justifications highlighting the impact of our projection step on sampling. Empirically, CPS outperforms state-of-the-art methods in sample quality and similarity to real time series by around 10% and 42%, respectively, on real-world stocks, traffic, and air quality datasets.
• Abstract（参考訳）: ストレステストモデルの作成と、合成データによるユーザのプライバシー保護には、現実的な時系列サンプルの生成が不可欠である。 工学および安全クリティカルな応用においては、これらのサンプルは、領域固有の、あるいは自然に物理学や自然によって課せられるある種の厳しい制約を満たす必要がある。 例えば、ピーク需要時間に制約のある電力需要パターンの生成を考える。 これは悪天候時の電力グリッドの機能をストレステストするために使用することができる。 制約付き時系列を生成する既存のアプローチは、拡張性がないか、サンプルの品質が低下しているかのいずれかである。 これらの課題に対処するために、拡散に基づくサンプリングアルゴリズムであるConstrained Posterior Smpling (CPS)を導入する。 特に、CPSは追加のトレーニングを必要とせずに、大量の制約(約100)にスケールする。 我々は、投射ステップがサンプリングに与える影響を明らかにする理論的正当性を提供する。 CPSは、実世界のストック、トラフィック、空気質のデータセットにおいて、サンプルの品質とリアルタイムシリーズとの類似性において、それぞれ10%と42%を上回ります。

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)
• 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)
• TFMQ-DM: Temporal Feature Maintenance Quantization for Diffusion Models [52.454274602380124]
  拡散モデルは非常に時間ステップ$t$に大きく依存し、良好なマルチラウンドデノジングを実現している。 本稿では,時間情報ブロック上に構築した時間的特徴保守量子化(TFMQ)フレームワークを提案する。 先駆的なブロック設計により、時間情報認識再構成(TIAR)と有限集合キャリブレーション(FSC)を考案し、完全な時間的特徴を整列させる。
  論文  参考訳（メタデータ） (2023-11-27T12:59:52Z)
• On the Constrained Time-Series Generation Problem [1.7731793321727365]
  本稿では,制約付き時系列生成問題に対処するための新しい手法を提案する。 制約付き最適化フレームワークを用いて問題を枠組み化し、次に「GuidedDiffTime」を含む一連の生成手法を提案する。 我々のアプローチは、質的にも量的にも既存の仕事を上回ります。
  論文  参考訳（メタデータ） (2023-07-04T13:43:05Z)
• 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)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Anytime Sampling for Autoregressive Models via Ordered Autoencoding [88.01906682843618]
  自動回帰モデルは画像生成や音声生成などのタスクに広く使われている。 これらのモデルのサンプリングプロセスは割り込みを許さず、リアルタイムの計算資源に適応できない。 いつでもサンプリングできる新しい自動回帰モデルファミリーを提案します。
  論文  参考訳（メタデータ） (2021-02-23T05:13:16Z)

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。