論文の概要: WaveStitch: Flexible and Fast Conditional Time Series Generation with Diffusion Models

• arxiv url: http://arxiv.org/abs/2503.06231v1
• Date: Sat, 08 Mar 2025 14:12:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:46:54.434546
• Title: WaveStitch: Flexible and Fast Conditional Time Series Generation with Diffusion Models
• Title（参考訳）: WaveStitch:拡散モデルによるフレキシブルかつ高速な条件時系列生成
• Authors: Aditya Shankar, Lydia Y. Chen, Arie van Deursen, Rihan Hai,
• Abstract要約: WaveStitchは制約の下で時間データを生成する新しい方法である。 拡散確率モデルを利用して正確な時間データを効率的に生成する。 最先端の手法に比べて平均2乗誤差が最大10倍低い。
• 参考スコア（独自算出の注目度）: 16.276063934460456
• License:
• Abstract: Generating temporal data under constraints is critical for forecasting, imputation, and synthesis. These datasets often include auxiliary conditions that influence the values within the time series signal. Existing methods face three key challenges: (1) they fail to adapt to conditions at inference time; (2) they rely on sequential generation, which slows the generation speed; and (3) they inefficiently encode categorical features, leading to increased sparsity and input sizes. We propose WaveStitch, a novel method that addresses these challenges by leveraging denoising diffusion probabilistic models to efficiently generate accurate temporal data under given auxiliary constraints. WaveStitch overcomes these limitations by: (1) modeling interactions between constraints and signals to generalize to new, unseen conditions; (2) enabling the parallel synthesis of sequential segments with a novel "stitching" mechanism to enforce coherence across segments; and (3) encoding categorical features as compact periodic signals while preserving temporal patterns. Extensive evaluations across diverse datasets highlight WaveStitch's ability to generalize to unseen conditions during inference, achieving up to a 10x lower mean-squared-error compared to the state-of-the-art methods. Moreover, WaveStitch generates data up to 460x faster than autoregressive methods while maintaining comparable accuracy. By efficiently encoding categorical features, WaveStitch provides a robust and efficient solution for temporal data generation. Our code is open-sourced: https://github.com/adis98/HierarchicalTS
• Abstract（参考訳）: 時間的データを制約下で生成することは、予測、計算、合成に不可欠である。 これらのデータセットは、しばしば時系列信号内の値に影響を与える補助条件を含む。 既存の手法では,(1)推論時に条件に適応できない,(2)生成速度を遅くする逐次生成に依存する,(3)分類的特徴を非効率に符号化する,という3つの課題に直面している。 本稿では,これらの問題に対処する新しい方法であるWaveStitchを提案する。 WaveStitchは、(1)制約と信号間の相互作用をモデリングして、新しい、目に見えない条件に一般化する、(2)セグメント間のコヒーレンスを強制する新しい「スティッチ」機構でシーケンシャルセグメントの並列合成を可能にする、(3)時間的パターンを保ちながら、カテゴリー的特徴をコンパクトな周期的信号として符号化する、という制限を克服する。 多様なデータセットにわたる広範囲な評価は、WaveStitchが推論中に目に見えない条件に一般化する能力を強調し、最先端の手法と比較して10倍低い平均二乗誤差を達成する。 さらに、WaveStitchは、同等の精度を維持しながら、自動回帰メソッドよりも最大460倍高速なデータを生成する。 カテゴリ的特徴を効率的に符号化することで、WaveStitchは時間データ生成のための堅牢で効率的なソリューションを提供する。 私たちのコードはオープンソースです。 https://github.com/adis98/HierarchicalTS

関連論文リスト

• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• PeriodWave: Multi-Period Flow Matching for High-Fidelity Waveform Generation [37.35829410807451]
  そこで我々は,新しい普遍波形生成モデルである PeriodWave を提案する。 波形信号の周期的特徴を把握できる周期的フローマッチング推定器を提案する。 また、周期的バッチ推論によりフィードフォワード並列化が可能な1つの周期条件ユニバーサル推定器を提案する。
  論文  参考訳（メタデータ） (2024-08-14T13:36:17Z)
• 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)
• Non-autoregressive Sequence-to-Sequence Vision-Language Models [63.77614880533488]
  本稿では,デコーダ内の複数の推論経路をマージする並列デコードシーケンス・ツー・シーケンス・ビジョン言語モデルを提案する。 このモデルは最先端の自己回帰モデルと同等のパフォーマンスを実現するが、推論時間では高速である。
  論文  参考訳（メタデータ） (2024-03-04T17:34:59Z)
• Boosting Fast and High-Quality Speech Synthesis with Linear Diffusion [85.54515118077825]
  本稿では, 常微分方程式に基づく線形拡散モデル(LinDiff)を提案する。 計算複雑性を低減するため、LinDiffでは、入力信号を小さなパッチに分割するパッチベースの処理アプローチを採用している。 我々のモデルは、より高速な合成速度で自己回帰モデルに匹敵する品質の音声を合成することができる。
  論文  参考訳（メタデータ） (2023-06-09T07:02:43Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• 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)

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。