論文の概要: Cross-Domain Conditional Diffusion Models for Time Series Imputation

• arxiv url: http://arxiv.org/abs/2506.12412v1
• Date: Sat, 14 Jun 2025 09:09:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.108286
• Title: Cross-Domain Conditional Diffusion Models for Time Series Imputation
• Title（参考訳）: 時系列インプットのためのクロスドメイン条件拡散モデル
• Authors: Kexin Zhang, Baoyu Jing, K. Selçuk Candan, Dawei Zhou, Qingsong Wen, Han Liu, Kaize Ding,
• Abstract要約: クロスドメイン時系列計算は、探索されていないデータ中心の研究課題である。 既存のアプローチは主に単一ドメインの設定に焦点を当てています。 提案手法は、ドメイン固有の時間構造を維持しながら、両方のドメインから共有されるスペクトル成分を統合する。
• 参考スコア（独自算出の注目度）: 34.400748070956006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain time series imputation is an underexplored data-centric research task that presents significant challenges, particularly when the target domain suffers from high missing rates and domain shifts in temporal dynamics. Existing time series imputation approaches primarily focus on the single-domain setting, which cannot effectively adapt to a new domain with domain shifts. Meanwhile, conventional domain adaptation techniques struggle with data incompleteness, as they typically assume the data from both source and target domains are fully observed to enable adaptation. For the problem of cross-domain time series imputation, missing values introduce high uncertainty that hinders distribution alignment, making existing adaptation strategies ineffective. Specifically, our proposed solution tackles this problem from three perspectives: (i) Data: We introduce a frequency-based time series interpolation strategy that integrates shared spectral components from both domains while retaining domain-specific temporal structures, constructing informative priors for imputation. (ii) Model: We design a diffusion-based imputation model that effectively learns domain-shared representations and captures domain-specific temporal dependencies with dedicated denoising networks. (iii) Algorithm: We further propose a cross-domain consistency alignment strategy that selectively regularizes output-level domain discrepancies, enabling effective knowledge transfer while preserving domain-specific characteristics. Extensive experiments on three real-world datasets demonstrate the superiority of our proposed approach. Our code implementation is available here.
• Abstract（参考訳）: クロスドメイン時系列計算は、探索されていないデータ中心の研究課題であり、特にターゲットドメインが高い欠落率と時間力学におけるドメインシフトに悩まされている場合、重要な課題を提示する。 既存の時系列計算アプローチは、ドメインシフトを伴う新しいドメインに効果的に適応できない単一ドメイン設定に主にフォーカスする。 一方、従来のドメイン適応手法は、典型的には、ソースドメインとターゲットドメインの両方のデータが完全に観察され、適応を可能にするため、データ不完全性に苦慮する。 ドメイン間の時系列計算の問題に対して、欠落した値は分布のアライメントを妨げる高い不確実性をもたらし、既存の適応戦略を効果的にしない。 特に,提案手法は,3つの観点からこの問題に対処する。 (i)データ:周波数に基づく時系列補間戦略を導入し、ドメイン固有の時間構造を維持しつつ、ドメイン間の共有スペクトル成分を統合する。 (II)モデル:ドメイン共有表現を効果的に学習し,ドメイン固有の時間依存性を専用デノナイジングネットワークでキャプチャする拡散型計算モデルを設計する。 (iii)アルゴリズムはさらに、出力レベルドメインの整合性を選択的に調整し、ドメイン固有の特性を保ちながら効果的な知識伝達を可能にする、ドメイン間の整合性整合性戦略を提案する。 3つの実世界のデータセットに対する大規模な実験は、提案手法の優位性を実証している。 私たちのコード実装はここで利用可能です。

関連論文リスト

• Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
  時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。 本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。 提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
  論文  参考訳（メタデータ） (2024-12-15T12:41:53Z)
• 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)
• Context-aware Domain Adaptation for Time Series Anomaly Detection [69.3488037353497]
  時系列異常検出は、幅広い現実世界の応用において難しい課題である。 近年,類似分野の知識を活用するため,時系列領域適応への取り組みが進められている。 本研究では,コンテキストサンプリングと異常検出を併用した共同学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-15T02:28:58Z)
• Contrastive Domain Adaptation for Time-Series via Temporal Mixup [14.723714504015483]
  時系列データのための新しい軽量コントラスト型ドメイン適応フレームワークであるCoTMixを提案する。 具体的には、ソースとターゲットドメインに対する2つの中間的な拡張ビューを生成するための、新しい時間混合戦略を提案する。 我々のアプローチは、最先端のUDAメソッドを著しく上回ります。
  論文  参考訳（メタデータ） (2022-12-03T06:53:38Z)
• Domain Generalization via Selective Consistency Regularization for Time Series Classification [16.338176636365752]
  ドメイン一般化手法は、限られた数のソースドメインからのデータで、ドメインシフトに頑健なモデルを学習することを目的としている。 本稿では,ソースドメイン間の予測一貫性を選択的に適用する表現学習手法を提案する。
  論文  参考訳（メタデータ） (2022-06-16T01:57:35Z)
• Self-supervised Autoregressive Domain Adaptation for Time Series Data [9.75443057146649]
  教師なしドメイン適応(UDA)は、視覚アプリケーションにおけるドメインシフト問題にうまく対処している。 これらの手法は、以下の理由により時系列データのパフォーマンスが制限される可能性がある。 本稿では,これらの制約に対処するための自己監督型自己回帰ドメイン適応(SLARDA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-29T08:17:23Z)
• 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)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)

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。