論文の概要: How to Unlock Time Series Editing? Diffusion-Driven Approach with Multi-Grained Control

• arxiv url: http://arxiv.org/abs/2506.05276v1
• Date: Thu, 05 Jun 2025 17:32:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.852329
• Title: How to Unlock Time Series Editing? Diffusion-Driven Approach with Multi-Grained Control
• Title（参考訳）: 時系列編集の解錠方法 : 多点制御による拡散駆動アプローチ
• Authors: Hao Yu, Chu Xin Cheng, Runlong Yu, Yuyang Ye, Shiwei Tong, Zhaofeng Liu, Defu Lian,
• Abstract要約: 時系列編集(TSE)は、時間的コヒーレンスを維持しながら正確な修正を行う。 我々は、さまざまなタイプの制約をまたいだ同時かつ柔軟な制御を可能にするために、CocktailEditフレームワークを導入しました。
• 参考スコア（独自算出の注目度）: 28.81619544175742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in time series generation have shown promise, yet controlling properties in generated sequences remains challenging. Time Series Editing (TSE) - making precise modifications while preserving temporal coherence - consider both point-level constraints and segment-level controls that current methods struggle to provide. We introduce the CocktailEdit framework to enable simultaneous, flexible control across different types of constraints. This framework combines two key mechanisms: a confidence-weighted anchor control for point-wise constraints and a classifier-based control for managing statistical properties such as sums and averages over segments. Our methods achieve precise local control during the denoising inference stage while maintaining temporal coherence and integrating seamlessly, with any conditionally trained diffusion-based time series models. Extensive experiments across diverse datasets and models demonstrate its effectiveness. Our work bridges the gap between pure generative modeling and real-world time series editing needs, offering a flexible solution for human-in-the-loop time series generation and editing. The code and demo are provided for validation.
• Abstract（参考訳）: 時系列生成の最近の進歩は将来性を示しているが、生成シーケンスにおける制御特性は依然として困難である。 時系列編集(TSE) - 時間的コヒーレンスを維持しながら正確な修正を行う - ポイントレベルの制約と、現在のメソッドが提供に苦慮しているセグメントレベルの制御の両方を考慮する。 我々は、さまざまなタイプの制約をまたいだ同時かつ柔軟な制御を可能にするために、CocktailEditフレームワークを導入しました。 このフレームワークは、ポイントワイド制約に対する信頼度重み付けアンカー制御と、合計やセグメント平均といった統計特性を管理する分類器ベースの制御の2つの主要なメカニズムを組み合わせる。 提案手法は,時間的コヒーレンスを維持しつつ,時間的コヒーレンスを維持しつつ,条件付き拡散に基づく時系列モデルとシームレスに統合しながら,推定段階の正確な局所制御を実現する。 多様なデータセットやモデルにわたる大規模な実験は、その有効性を示している。 我々の研究は、純粋な生成的モデリングと実世界の時系列編集のギャップを埋め、人間とループの時系列生成と編集のための柔軟なソリューションを提供する。 コードとデモはバリデーションのために提供されている。

関連論文リスト

• CtrlDiff: Boosting Large Diffusion Language Models with Dynamic Block Prediction and Controllable Generation [7.250878248686215]
  拡散ベースの言語モデルは、強力な並列生成機能と固有の編集性のために、魅力的な代替手段として登場した。 ローカルセマンティクスに基づいて各生成ブロックのサイズを適応的に決定する動的かつ制御可能な半自動回帰フレームワークであるCtrlDiffを提案する。
  論文  参考訳（メタデータ） (2025-05-20T14:52:41Z)
• TimeDART: A Diffusion Autoregressive Transformer for Self-Supervised Time Series Representation [47.58016750718323]
  我々は,新しい自己教師型時系列事前学習フレームワークであるTimeDARTを提案する。 TimeDARTは2つの強力な生成パラダイムを統合し、より伝達可能な表現を学ぶ。 時系列予測と分類のための公開データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2024-10-08T06:08:33Z)
• TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
  時系列データは、その固有の長短の依存関係によって特徴づけられる。 本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。 我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-04-12T13:41:29Z)
• Anticipatory Music Transformer [60.15347393822849]
  本稿では、時間点過程の制御可能な生成モデルを構築する方法である予測を導入する。 コントロールはイベント自体のサブセットであるので、コントロールタスクの充実に重点を置いています。 大規模かつ多様なLakh MIDI音楽データセットを用いて予測入出力モデルを訓練する。
  論文  参考訳（メタデータ） (2023-06-14T16:27:53Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• 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)

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。