論文の概要: Stage-Diff: Stage-wise Long-Term Time Series Generation Based on Diffusion Models

• arxiv url: http://arxiv.org/abs/2508.21330v1
• Date: Fri, 29 Aug 2025 05:10:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.928666
• Title: Stage-Diff: Stage-wise Long-Term Time Series Generation Based on Diffusion Models
• Title（参考訳）: 段差:拡散モデルに基づく段階的長期時系列生成
• Authors: Xuan Hou, Shuhan Liu, Zhaohui Peng, Yaohui Chu, Yue Zhang, Yining Wang,
• Abstract要約: 本研究では,拡散モデルに基づく長期時系列のステージ生成モデルであるStageDiffを提案する。 第一に、段階的シーケンス生成と段階間情報転送により、モデルは長期的シーケンス依存を保存する。 第二に、各段階において進行シーケンス分解を適用して、異なる時間スケールでチャネルに依存しないモデリングを行う。
• 参考スコア（独自算出の注目度）: 13.345872524896722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models have been successfully used in the field of time series generation. However, when dealing with long-term time series, which span over extended periods and exhibit more complex long-term temporal patterns, the task of generation becomes significantly more challenging. Long-term time series exhibit long-range temporal dependencies, but their data distribution also undergoes gradual changes over time. Finding a balance between these long-term dependencies and the drift in data distribution is a key challenge. On the other hand, long-term time series contain more complex interrelationships between different feature sequences, making the task of effectively capturing both intra-sequence and inter-sequence dependencies another important challenge. To address these issues, we propose Stage-Diff, a staged generative model for long-term time series based on diffusion models. First, through stage-wise sequence generation and inter-stage information transfer, the model preserves long-term sequence dependencies while enabling the modeling of data distribution shifts. Second, within each stage, progressive sequence decomposition is applied to perform channel-independent modeling at different time scales, while inter-stage information transfer utilizes multi-channel fusion modeling. This approach combines the robustness of channel-independent modeling with the information fusion advantages of multi-channel modeling, effectively balancing the intra-sequence and inter-sequence dependencies of long-term time series. Extensive experiments on multiple real-world datasets validate the effectiveness of Stage-Diff in long-term time series generation tasks.
• Abstract（参考訳）: 生成モデルは時系列生成の分野でうまく使われている。 しかし、長期にわたる長期的時系列を扱い、より複雑な長期的時間的パターンを示す場合、生成の課題は著しく困難になる。 長期の時系列は長期の時間的依存関係を示すが、そのデータ分布は時間とともに徐々に変化していく。 これらの長期的依存関係とデータ分散のドリフトのバランスを見つけることは、重要な課題である。 一方、長期時系列には、異なる特徴系列間のより複雑な相互関係が含まれており、シーケンス内依存関係とシーケンス間依存関係の両方を効果的にキャプチャするタスクも重要な課題である。 これらの問題に対処するために,拡散モデルに基づく長期時系列のステージ生成モデルであるStage-Diffを提案する。 まず、段階的なシーケンス生成と段階間情報転送を通じて、データ分散シフトのモデリングを可能にしながら、長期的なシーケンス依存性を保存する。 第二に、段階間情報伝達はマルチチャネル融合モデリングを利用するが、段階間情報伝達は異なる時間スケールでチャネル独立モデリングを行うために進行シーケンス分解を適用する。 このアプローチは、チャネルに依存しないモデリングの堅牢性と、マルチチャネルモデリングの情報融合の利点を組み合わせることで、長期時系列のシーケンス内およびシーケンス間依存関係を効果的にバランスさせる。 複数の実世界のデータセットに対する大規模な実験は、長期連続生成タスクにおけるStage-Diffの有効性を検証する。

関連論文リスト

• Time Tracker: Mixture-of-Experts-Enhanced Foundation Time Series Forecasting Model with Decoupled Training Pipelines [5.543238821368548]
  時系列はしばしば、異なる時間帯と領域にまたがる時間パターンに顕著な多様性を示す。 Time Trackerは、精度、モデルの一般化、適応性を予測する際に最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-21T06:18:41Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Multi-Scale Dilated Convolution Network for Long-Term Time Series Forecasting [17.132063819650355]
  時系列の周期と傾向を捉えるために,MSDCN(Multi Scale Dilated Convolution Network)を提案する。 指数関数的に増加する拡張と異なるカーネルサイズを持つ異なる畳み込みブロックを設計し、異なるスケールで時系列データをサンプリングする。 提案手法の有効性を検証するため,8つの長期時系列予測ベンチマークデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-05-09T02:11:01Z)
• Efficient High-Resolution Time Series Classification via Attention Kronecker Decomposition [17.71968215237596]
  高分解能時系列分類は、様々な領域で詳細な時間データが利用可能になるために不可欠である。 そこで我々は,Kroneckerで分解された注目を多段階の時系列処理に向けることで,新しい時系列トランスフォーマーバックボーン(KronTime)を提案する。 4つの時系列データセットによる実験は, ベースライン法と比較して, 優れた分類結果を示し, 効率が向上した。
  論文  参考訳（メタデータ） (2024-03-07T20:14:20Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
  天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。 時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。 我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。 提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
  論文  参考訳（メタデータ） (2022-10-02T06:58:49Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。