論文の概要: Diffusion Models for Time Series Forecasting: A Survey

• arxiv url: http://arxiv.org/abs/2507.14507v1
• Date: Sat, 19 Jul 2025 07:04:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:31.921326
• Title: Diffusion Models for Time Series Forecasting: A Survey
• Title（参考訳）: 時系列予測のための拡散モデル:サーベイ
• Authors: Chen Su, Zhengzhou Cai, Yuanhe Tian, Zihong Zheng, Yan Song,
• Abstract要約: 拡散モデルは、当初は画像合成のために開発されたが、顕著な生成能力を示している。 近年, 時系列予測 (TSF) に応用が拡大され, 有望な結果が得られた。 本調査はTSFにおける拡散モデルの最近の進展と今後の展望を詳述し、この分野の研究者の参考となる。
• 参考スコア（独自算出の注目度）: 14.27019193825949
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models, initially developed for image synthesis, demonstrate remarkable generative capabilities. Recently, their application has expanded to time series forecasting (TSF), yielding promising results. In this survey, we firstly introduce the standard diffusion models and their prevalent variants, explaining their adaptation to TSF tasks. We then provide a comprehensive review of diffusion models for TSF, paying special attention to the sources of conditional information and the mechanisms for integrating this conditioning within the models. In analyzing existing approaches using diffusion models for TSF, we provide a systematic categorization and a comprehensive summary of them in this survey. Furthermore, we examine several foundational diffusion models applied to TSF, alongside commonly used datasets and evaluation metrics. Finally, we discuss current limitations in these approaches and potential future research directions. Overall, this survey details recent progress and future prospects for diffusion models in TSF, serving as a reference for researchers in the field.
• Abstract（参考訳）: 拡散モデルは、当初は画像合成のために開発されたが、顕著な生成能力を示している。 近年, 時系列予測 (TSF) に応用が拡大され, 有望な結果が得られた。 本稿では、まず標準拡散モデルとその代表的な変種について紹介し、TSFタスクへの適応について説明する。 次に、TSFの拡散モデルに関する総合的なレビューを行い、条件情報の源泉と、この条件をモデルに組み込むメカニズムに特に注目する。 TSFの拡散モデルを用いた既存手法の解析において,本調査における系統分類と包括的概要について述べる。 さらに、TSFに適用された基礎拡散モデルについて、一般的なデータセットや評価指標とともに検討する。 最後に、これらのアプローチにおける現在の限界と今後の研究の方向性について論じる。 全体として、この調査はTSFにおける拡散モデルの最近の進展と今後の展望を詳述し、この分野の研究者の参考となる。

関連論文リスト

• Diffusion Models for Tabular Data: Challenges, Current Progress, and Future Directions [14.735104900041401]
  拡散モデルは、GAN(Generative Adversarial Networks)やVAE(Varial Autoencoders)の優れた代替品として登場した。 拡散モデルはGANやVAEに対して同様の利点を示し始めており、大幅な性能のブレークスルーを達成している。
  論文  参考訳（メタデータ） (2025-02-24T13:01:33Z)
• Diffusion Models in Low-Level Vision: A Survey [82.77962165415153]
  拡散モデルに基づくソリューションは、優れた品質と多様性のサンプルを作成する能力で広く称賛されている。 本稿では,3つの一般化拡散モデリングフレームワークを提案し,それらと他の深層生成モデルとの相関関係について検討する。 医療、リモートセンシング、ビデオシナリオなど、他のタスクに適用された拡張拡散モデルについて要約する。
  論文  参考訳（メタデータ） (2024-06-17T01:49:27Z)
• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• An Overview of Diffusion Models: Applications, Guided Generation, Statistical Rates and Optimization [59.63880337156392]
  拡散モデルはコンピュータビジョン、オーディオ、強化学習、計算生物学において大きな成功を収めた。 経験的成功にもかかわらず、拡散モデルの理論は非常に限定的である。 本稿では,前向きな理論や拡散モデルの手法を刺激する理論的露光について述べる。
  論文  参考訳（メタデータ） (2024-04-11T14:07:25Z)
• The Rise of Diffusion Models in Time-Series Forecasting [5.808096811856718]
  本報告では,拡散モデルに関する背景情報を網羅し,条件付け手法を詳述し,時系列予測における使用状況について検討する。 この分析は、11の特定の時系列実装、それらの背後にある直観と理論、異なるデータセットに対する有効性、および互いに比較する。
  論文  参考訳（メタデータ） (2024-01-05T11:35:10Z)
• Diff-Instruct: A Universal Approach for Transferring Knowledge From Pre-trained Diffusion Models [77.83923746319498]
  本稿では,任意の生成モデルの学習を指導するDiff-Instructというフレームワークを提案する。 Diff-Instructは、最先端の単一ステップ拡散モデルであることを示す。 GANモデルの精製実験により、Diff-InstructはGANモデルの事前訓練されたジェネレータを一貫して改善できることが示されている。
  論文  参考訳（メタデータ） (2023-05-29T04:22:57Z)
• Diffusion Models for Time Series Applications: A Survey [23.003273147019446]
  拡散モデルは現在、画像、ビデオ、テキスト合成に使われている。 我々は,時系列予測,計算,生成のための拡散に基づく手法に着目する。 拡散型手法の共通限界を結論し,今後の研究の方向性を明らかにする。
  論文  参考訳（メタデータ） (2023-05-01T02:06:46Z)
• Diffusion Models for Medical Image Analysis: A Comprehensive Survey [7.272308924113656]
  生成モデルのクラスである拡散モデルのデノイングは、近年、様々なディープラーニング問題に多大な関心を集めている。 拡散モデルは、その強いモードカバレッジと、生成されたサンプルの品質で広く評価されている。 本調査では,医療画像解析の分野における拡散モデルの概要について概観する。
  論文  参考訳（メタデータ） (2022-11-14T23:50:52Z)
• Diffusion Models in Vision: A Survey [73.10116197883303]
  拡散モデルは、前方拡散段階と逆拡散段階の2つの段階に基づく深層生成モデルである。 拡散モデルは、既知の計算負荷にもかかわらず、生成したサンプルの品質と多様性に対して広く評価されている。
  論文  参考訳（メタデータ） (2022-09-10T22:00:30Z)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)

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。