論文の概要: TimeDP: Learning to Generate Multi-Domain Time Series with Domain Prompts

• arxiv url: http://arxiv.org/abs/2501.05403v1
• Date: Thu, 09 Jan 2025 17:57:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-10 14:00:13.488948
• Title: TimeDP: Learning to Generate Multi-Domain Time Series with Domain Prompts
• Title（参考訳）: TimeDP: ドメインプロンプトによるマルチドメイン時系列生成の学習
• Authors: Yu-Hao Huang, Chang Xu, Yueying Wu, Wu-Jun Li, Jiang Bian,
• Abstract要約: データ拡張やプライバシ保護といったアプリケーションには,時系列生成モデルが不可欠だ。 既存の時系列生成モデルは、通常、1つの特定のドメインからデータを生成するように設計されている。 ドメインプロンプトを持つマルチドメイン時系列拡散モデルであるTimeDPを提案する。
• 参考スコア（独自算出の注目度）: 30.750477458324713
• License:
• Abstract: Time series generation models are crucial for applications like data augmentation and privacy preservation. Most existing time series generation models are typically designed to generate data from one specified domain. While leveraging data from other domain for better generalization is proved to work in other application areas, this approach remains challenging for time series modeling due to the large divergence in patterns among different real world time series categories. In this paper, we propose a multi-domain time series diffusion model with domain prompts, named TimeDP. In TimeDP, we utilize a time series semantic prototype module which defines time series prototypes to represent time series basis, each prototype vector serving as "word" representing some elementary time series feature. A prototype assignment module is applied to extract the extract domain specific prototype weights, for learning domain prompts as generation condition. During sampling, we extract "domain prompt" with few-shot samples from the target domain and use the domain prompts as condition to generate time series samples. Experiments demonstrate that our method outperforms baselines to provide the state-of-the-art in-domain generation quality and strong unseen domain generation capability.
• Abstract（参考訳）: データ拡張やプライバシ保護といったアプリケーションには,時系列生成モデルが不可欠だ。 既存の時系列生成モデルは、通常、1つの特定のドメインからデータを生成するように設計されている。 他の領域からのデータをよりよい一般化のために活用することは、他のアプリケーション領域で有効であることが証明されているが、この手法は、異なる実世界の時系列カテゴリのパターンのばらつきが大きいため、時系列モデリングでは依然として困難である。 本稿では,ドメインプロンプトを持つマルチドメイン時系列拡散モデルであるTimeDPを提案する。 TimeDPでは、時系列のプロトタイプを定義する時系列セマンティックプロトタイプモジュールを使用し、各プロトタイプベクトルが基本時系列の特徴を表す単語として機能する。 抽出領域固有のプロトタイプ重みを抽出するためにプロトタイプ代入モジュールを適用し、生成条件としてドメインプロンプトを学習する。 サンプリング中のドメインプロンプトを対象領域から少数ショットのサンプルで抽出し,そのドメインプロンプトを条件として時系列サンプルを生成する。 実験により,本手法がベースラインを上回り,最先端のドメイン・ジェネレーション・クオリティと強力なドメイン・ジェネレーション能力を提供することを示した。

関連論文リスト

• Decoding Time Series with LLMs: A Multi-Agent Framework for Cross-Domain Annotation [56.78444462585225]
  TESSAは、時系列データに対する一般的なアノテーションとドメイン固有のアノテーションの両方を自動的に生成するように設計されたマルチエージェントシステムである。 General Agentは複数のソースドメインにまたがる共通パターンと知識をキャプチャし、時系列とテキストの両方の機能を利用する。 ドメイン固有のエージェントは、ターゲットドメインからの限定アノテーションを使用して、ドメイン固有の用語を学び、ターゲットアノテーションを生成する。
  論文  参考訳（メタデータ） (2024-10-22T22:43:14Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Towards Generalisable Time Series Understanding Across Domains [10.350643783811174]
  一般時系列解析のためのオープンモデルであるOTiSを紹介する。 本稿では,学習可能なドメイン固有シグネチャを持つトークンマイザを含む,新しい事前学習パラダイムを提案する。 我々のモデルは、8つの異なるドメインにまたがる640,187個のサンプルと11億個のタイムポイントからなる大規模なコーパスで事前訓練されている。
  論文  参考訳（メタデータ） (2024-10-09T17:09:30Z)
• Towards Long-Context Time Series Foundation Models [17.224575072056627]
  時系列基礎モデルは、ゼロショットの設定であっても、幅広い領域にわたる様々なタスクにおいて印象的なパフォーマンスを示している。 本研究は,言語領域と時系列領域の両方から,様々な文脈展開手法を体系的に比較することによって,ギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-09-20T14:19:59Z)
• ROSE: Register Assisted General Time Series Forecasting with Decomposed Frequency Learning [17.734609093955374]
  分解周波数学習(ROSE)を用いた登録型汎用時系列予測モデルを提案する。 ROSEは事前学習タスクに分解周波数学習を採用し、周波数ベースのマスキングと再構成による時系列における意味情報と周期情報を分解し、ドメイン間の統一表現を得る。 大規模時系列データを事前トレーニングした後、ROSEは8つの実世界のベンチマークで最先端の予測性能を達成する。
  論文  参考訳（メタデータ） (2024-05-24T06:01:09Z)
• 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)
• Temporal Treasure Hunt: Content-based Time Series Retrieval System for Discovering Insights [34.1973242428317]
  時系列データは、金融、医療、製造業など、さまざまな分野にまたがっている。 Content-based Time Series Retrieval(CTSR)を実行する能力は、未知の時系列例を特定する上で重要である。 我々は,様々な領域の時系列データを含むCTSRベンチマークデータセットを提案する。
  論文  参考訳（メタデータ） (2023-11-05T04:12:13Z)
• UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series Forecasting [59.11817101030137]
  この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。 効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。 効果的なドメイン間時系列学習のためのUniTimeを提案する。
  論文  参考訳（メタデータ） (2023-10-15T06:30:22Z)
• Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
  時系列予測は多くの実世界の力学系において重要な意味を持つ。 時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
  論文  参考訳（メタデータ） (2023-10-03T01:31:25Z)
• Cross-domain Time Series Forecasting with Attention Sharing [10.180248006928107]
  本稿では,データ不足問題に対処する新しいドメイン適応フレームワークであるDomain Adaptation Forecaster(DAF)を提案する。 特に、ドメイン間のドメイン識別器と、個々のドメインに対するプリベートモジュールを備えたアテンションベースの共有モジュールを提案する。 これにより、ドメイン固有の機能をトレーニングしながら、ドメイン不変の潜在機能を生成させることで、ソースとターゲットドメインを共同でトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-02-13T00:26:35Z)
• Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
  ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。 一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:02:57Z)

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。