論文の概要: Closing the Gap Between Synthetic and Ground Truth Time Series Distributions via Neural Mapping
- arxiv url: http://arxiv.org/abs/2501.17553v1
- Date: Wed, 29 Jan 2025 10:41:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-30 15:54:40.125455
- Title: Closing the Gap Between Synthetic and Ground Truth Time Series Distributions via Neural Mapping
- Title(参考訳): ニューラルマッピングによる合成的時系列分布と地上的時系列分布のギャップの解消
- Authors: Daesoo Lee, Sara Malacarne, Erlend Aune,
- Abstract要約: ベクトル量子化時系列ジェネレータ(NM-VQTSG)のためのニューラルマッパーを提案する。
NM-VQTSGはベクトル量子化(VQ)時系列生成における忠実度問題に対処する新しい手法である。
UCR時系列分類アーカイブからNM-VQTSGを多種多様なデータセットで評価した。
- 参考スコア(独自算出の注目度): 1.3927943269211591
- License:
- Abstract: In this paper, we introduce Neural Mapper for Vector Quantized Time Series Generator (NM-VQTSG), a novel method aimed at addressing fidelity challenges in vector quantized (VQ) time series generation. VQ-based methods, such as TimeVQVAE, have demonstrated success in generating time series but are hindered by two critical bottlenecks: information loss during compression into discrete latent spaces and deviations in the learned prior distribution from the ground truth distribution. These challenges result in synthetic time series with compromised fidelity and distributional accuracy. To overcome these limitations, NM-VQTSG leverages a U-Net-based neural mapping model to bridge the distributional gap between synthetic and ground truth time series. To be more specific, the model refines synthetic data by addressing artifacts introduced during generation, effectively aligning the distributions of synthetic and real data. Importantly, NM-VQTSG can be used for synthetic time series generated by any VQ-based generative method. We evaluate NM-VQTSG across diverse datasets from the UCR Time Series Classification archive, demonstrating its capability to consistently enhance fidelity in both unconditional and conditional generation tasks. The improvements are evidenced by significant improvements in FID, IS, and conditional FID, additionally backed up by visual inspection in a data space and a latent space. Our findings establish NM-VQTSG as a new method to improve the quality of synthetic time series. Our implementation is available on \url{https://github.com/ML4ITS/TimeVQVAE}.
- Abstract(参考訳): 本稿ではベクトル量子化時系列生成における忠実度問題に対処する新しい手法であるベクトル量子化時系列生成用ニューラルマッパー(NM-VQTSG)を提案する。
TimeVQVAEのようなVQベースの手法は、時系列の生成に成功したが、2つの重要なボトルネックによって妨げられている。
これらの課題は、不確かさと分布精度を妥協した合成時系列をもたらす。
これらの制限を克服するため、NM-VQTSGはU-Netベースのニューラルマッピングモデルを利用して、合成真理時系列と地上真理時系列の分布ギャップを埋める。
より具体的に言うと、モデルは生成時に導入されたアーティファクトに対処することで合成データを洗練し、合成データと実データの分布を効果的に整合させる。
重要なことに、NM-VQTSGは、任意のVQベースの生成法によって生成される合成時系列に使用できる。
UCR時系列分類アーカイブから得られた多様なデータセット間でNM-VQTSGを評価し,非条件および条件付き生成タスクの忠実度を一貫して向上する能力を実証した。
これらの改善は、FID、IS、条件付きFIDの大幅な改善によって証明され、さらにデータ空間と潜伏空間の視覚検査によって裏付けられる。
本研究は,NM-VQTSGを合成時系列の品質向上手法として確立した。
我々の実装は \url{https://github.com/ML4ITS/TimeVQVAE} で利用可能です。
関連論文リスト
- Blending Low and High-Level Semantics of Time Series for Better Masked Time Series Generation [0.8999666725996975]
NC-VQVAEと呼ばれる新しいフレームワークを導入し、時系列生成アプローチに自己教師付き学習を統合する。
NC-VQVAEは, 合成試料の品質を著しく向上させることを示した。
論文 参考訳(メタデータ) (2024-08-29T15:20:17Z) - Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - Fully Embedded Time-Series Generative Adversarial Networks [0.0]
GAN(Generative Adversarial Networks)は、モデル化されているデータの基盤となる分布に適合する合成データを生成する。
実値の時系列データの場合、これはデータの静的な分布を同時にキャプチャする必要があるだけでなく、潜在的な時間的地平線に対するデータの完全な時間的分布も同時に取得する必要があることを意味する。
FETSGANでは、全シーケンスはSeq2seqスタイルの逆自動エンコーダ(AAE)を使用して、ジェネレータのサンプリング空間に直接変換される。
論文 参考訳(メタデータ) (2023-08-30T03:14:02Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳(メタデータ) (2023-07-17T11:04:27Z) - GAT-GAN : A Graph-Attention-based Time-Series Generative Adversarial
Network [0.0]
我々はGAT-GAN(Graph-Attention-based Generative Adversarial Network)を提案する。
GAT-GANは、敵対的に訓練されたオートエンコーダアーキテクチャを用いて、高忠実度の時系列データを生成する。
本稿では、Frechet Transformer distance(FTD)スコアと呼ばれる時系列データに対するFrechet Inception distance-like(FID)メトリクスを導入し、生成データの品質と多様性を評価する。
論文 参考訳(メタデータ) (2023-06-03T04:23:49Z) - Vector Quantized Time Series Generation with a Bidirectional Prior Model [0.3867363075280544]
時系列生成(TSG)の研究は、主にGAN(Generative Adversarial Networks)とリカレントニューラルネットワーク(RNN)の亜種の使用に焦点を当てている。
本稿では,ベクトル量子化(VQ)技術を用いてTSG問題に対処するTimeVQVAEを提案する。
また、低周波(LF)と高周波(HF)に分かれた時間周波数領域におけるVQモデリングを提案する。
論文 参考訳(メタデータ) (2023-03-08T17:27:39Z) - HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。
本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。
本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-08-11T14:05:51Z) - Deep Generative model with Hierarchical Latent Factors for Time Series
Anomaly Detection [40.21502451136054]
本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。
トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。
提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-02-15T17:19:44Z) - Towards Generating Real-World Time Series Data [52.51620668470388]
時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。
RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。
不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
論文 参考訳(メタデータ) (2021-11-16T11:31:37Z) - Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。
解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文 参考訳(メタデータ) (2021-10-06T16:08:44Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z)
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。