論文の概要: Diffusion Transformers for Tabular Data Time Series Generation

• arxiv url: http://arxiv.org/abs/2504.07566v1
• Date: Thu, 10 Apr 2025 08:56:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:22:39.511577
• Title: Diffusion Transformers for Tabular Data Time Series Generation
• Title（参考訳）: タブラルデータ時系列生成のための拡散変換器
• Authors: Fabrizio Garuti, Enver Sangineto, Simone Luetto, Lorenzo Forni, Rita Cucchiara,
• Abstract要約: 本稿では,Diffusion Transformer (DiT) を用いたデータ系列生成手法を提案する。 画像およびビデオ生成における最近のDiTsの成功に触発されて、このフレームワークは異種データを扱うように拡張されている。 6つのデータセットに対する広範な実験により,提案手法が従来の手法よりも大きなマージンで優れていることを示す。
• 参考スコア（独自算出の注目度）: 25.98843425277437
• License:
• Abstract: Tabular data generation has recently attracted a growing interest due to its different application scenarios. However, generating time series of tabular data, where each element of the series depends on the others, remains a largely unexplored domain. This gap is probably due to the difficulty of jointly solving different problems, the main of which are the heterogeneity of tabular data (a problem common to non-time-dependent approaches) and the variable length of a time series. In this paper, we propose a Diffusion Transformers (DiTs) based approach for tabular data series generation. Inspired by the recent success of DiTs in image and video generation, we extend this framework to deal with heterogeneous data and variable-length sequences. Using extensive experiments on six datasets, we show that the proposed approach outperforms previous work by a large margin.
• Abstract（参考訳）: タブラルデータ生成は、アプリケーションのシナリオが異なるため、最近ますます関心を集めている。 しかし、各要素が他の要素に依存している表データの時系列を生成することは、いまだほとんど探索されていない領域である。 このギャップは、表データの不均一性(非時間依存的なアプローチに共通する問題)と時系列の可変長が主な原因である。 本稿では,グラフデータ系列生成のための拡散変換器(DiT)に基づく手法を提案する。 画像およびビデオ生成における最近のDiTsの成功に触発されて、不均一なデータや可変長シーケンスを扱うために、このフレームワークを拡張した。 6つのデータセットに対する広範な実験により,提案手法が従来の手法よりも大きなマージンで優れていることを示す。

関連論文リスト

• TabDiff: a Mixed-type Diffusion Model for Tabular Data Generation [91.50296404732902]
  グラフデータの混合型分布を1つのモデルでモデル化する共同拡散フレームワークであるTabDiffを紹介する。 我々の重要な革新は、数値データと分類データのための連立連続時間拡散プロセスの開発である。 TabDiffは、既存の競合ベースラインよりも優れた平均性能を実現し、ペアワイドカラム相関推定における最先端モデルよりも最大で22.5%改善されている。
  論文  参考訳（メタデータ） (2024-10-27T22:58:47Z)
• 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)
• Fine-grained Attention in Hierarchical Transformers for Tabular Time-series [46.96700822457507]
  本研究では,行レベルと列レベルの両方のフィールドを文脈化する,きめ細かい階層モデルであるFieldyを提案する。 その結果,行ワイドと列ワイドアテンションを組み合わせることで,モデルサイズを増大させることなく性能が向上することがわかった。
  論文  参考訳（メタデータ） (2024-06-21T17:40:46Z)
• Latent Processes Identification From Multi-View Time Series [17.33428123777779]
  本稿では,データ生成過程を逆転させて識別可能性を高めるために,コントラスト学習技術を用いた新しいフレームワークを提案する。 MuLTIは、最適輸送公式の確立によって、対応する重複変数をマージする置換機構を統合する。
  論文  参考訳（メタデータ） (2023-05-14T14:21:58Z)
• Variational Inference for Longitudinal Data Using Normalizing Flows [0.0]
  本稿では,高次元長手データを扱う潜在変数生成モデルを提案する。 入力シーケンスの観測間の時間依存性は、関連する潜伏変数上の正規化フローを用いてモデル化される。 我々は、異なる複雑さの6つのデータセットでモデルをテストし、いくつかの競合相手よりもより良い推定値が得られ、信頼性の低いデータ計算が可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-24T18:29:18Z)
• One Transformer for All Time Series: Representing and Training with Time-Dependent Heterogeneous Tabular Data [25.98843425277437]
  異種時間依存データを表すトランスフォーマーアーキテクチャを提案する。 数値的特徴は周波数関数の集合を用いて表現され、ネットワーク全体が一意の損失関数で一様に訓練される。
  論文  参考訳（メタデータ） (2023-02-13T14:08:40Z)
• Triformer: Triangular, Variable-Specific Attentions for Long Sequence Multivariate Time Series Forecasting--Full Version [50.43914511877446]
  本稿では,高い効率と精度を確保するために,三角形,可変特性に着目した注意点を提案する。 我々はTriformerが精度と効率の両方で最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-28T20:41:49Z)
• 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)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)
• Interpretable Feature Construction for Time Series Extrinsic Regression [0.028675177318965035]
  一部のアプリケーション領域では、対象変数が数値であり、その問題は時系列外部回帰(TSER)として知られている。 TSERの文脈における頑健で解釈可能な特徴構築と選択のためのベイズ法の拡張を提案する。 私たちのアプローチは、TSERに取り組むためのリレーショナルな方法を利用します:(i)、リレーショナルデータスキームに格納されている時系列の多様で単純な表現を構築し、(ii)二次テーブルからデータを「フラット化」するために解釈可能な機能を構築するためにプロポジション化技術を適用します。
  論文  参考訳（メタデータ） (2021-03-15T08:12:19Z)
• Partially-Aligned Data-to-Text Generation with Distant Supervision [69.15410325679635]
  我々はPADTG(Partially-Aligned Data-to-Text Generation)と呼ばれる新しい生成タスクを提案する。 自動的にアノテートされたデータをトレーニングに利用し、アプリケーションドメインを大幅に拡張するため、より実用的です。 我々のフレームワークは、全てのベースラインモデルより優れており、部分整合データの利用の可能性を検証する。
  論文  参考訳（メタデータ） (2020-10-03T03:18:52Z)

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。