論文の概要: DS-Diffusion: Data Style-Guided Diffusion Model for Time-Series Generation

• arxiv url: http://arxiv.org/abs/2509.18584v2
• Date: Wed, 24 Sep 2025 09:15:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 11:55:19.845001
• Title: DS-Diffusion: Data Style-Guided Diffusion Model for Time-Series Generation
• Title（参考訳）: DS拡散:時系列生成のためのデータスタイル誘導拡散モデル
• Authors: Mingchun Sun, Rongqiang Zhao, Hengrui Hu, Songyu Ding, Jie Liu,
• Abstract要約: 時系列生成タスクのためのデータスタイル誘導拡散モデル(DS-Diffusion)を提案する。 DS-Diffusionは、条件付きガイダンスを導入するためにフレームワーク全体をトレーニングするのを避ける。 生成されたサンプルは、それらが発するデータスタイルを明確に示すことができる。
• 参考スコア（独自算出の注目度）: 3.7098771725459336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models are the mainstream approach for time series generation tasks. However, existing diffusion models for time series generation require retraining the entire framework to introduce specific conditional guidance. There also exists a certain degree of distributional bias between the generated data and the real data, which leads to potential model biases in downstream tasks. Additionally, the complexity of diffusion models and the latent spaces leads to an uninterpretable inference process. To address these issues, we propose the data style-guided diffusion model (DS-Diffusion). In the DS-Diffusion, a diffusion framework based on style-guided kernels is developed to avoid retraining for specific conditions. The time-information based hierarchical denoising mechanism (THD) is developed to reduce the distributional bias between the generated data and the real data. Furthermore, the generated samples can clearly indicate the data style from which they originate. We conduct comprehensive evaluations using multiple public datasets to validate our approach. Experimental results show that, compared to the state-of-the-art model such as ImagenTime, the predictive score and the discriminative score decrease by 5.56% and 61.55%, respectively. The distributional bias between the generated data and the real data is further reduced, the inference process is also more interpretable. Moreover, by eliminating the need to retrain the diffusion model, the flexibility and adaptability of the model to specific conditions are also enhanced.
• Abstract（参考訳）: 拡散モデルは時系列生成タスクの主要なアプローチである。 しかしながら、時系列生成のための既存の拡散モデルは、特定の条件ガイダンスを導入するためにフレームワーク全体をトレーニングする必要がある。 また、生成されたデータと実際のデータの間に一定の分布バイアスが存在し、下流タスクの潜在的なモデルバイアスを引き起こす。 さらに、拡散モデルと潜在空間の複雑さは、解釈不能な推論プロセスにつながる。 これらの問題に対処するために,データスタイル誘導拡散モデル(DS-Diffusion)を提案する。 DS-Diffusionでは,特定の条件に対する再トレーニングを避けるために,スタイル誘導カーネルに基づく拡散フレームワークを開発した。 時間情報に基づく階層化機構(THD)を開発し、生成されたデータと実データとの分布バイアスを低減する。 さらに、生成されたサンプルは、それらが発するデータスタイルを明確に示すことができる。 複数の公開データセットを用いて包括的評価を行い、アプローチを検証する。 実験の結果,ImagenTimeのような最先端モデルと比較して,予測スコアと識別スコアはそれぞれ5.56%,61.55%減少した。 生成されたデータと実データとの分布バイアスはさらに小さくなり、推論プロセスもより解釈可能である。 さらに,拡散モデルの再学習を不要にすることで,特定の条件に対するモデルの柔軟性と適応性も向上する。

関連論文リスト

• Simple and Critical Iterative Denoising: A Recasting of Discrete Diffusion in Graph Generation [0.0]
  中間ノイズ状態間の依存関係は、逆ノイズ化プロセス中にエラーの蓄積と伝播を引き起こす。 本稿では, 離散拡散を単純化し, 問題を回避し, 簡易反復分解という新しい枠組みを提案する。 実験により,提案手法はグラフ生成タスクにおいて既存の離散拡散ベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-03-27T15:08:58Z)
• Continuous Diffusion Model for Language Modeling [57.396578974401734]
  離散データに対する既存の連続拡散モデルは、離散的アプローチと比較して性能が限られている。 本稿では,下層の分類分布の幾何学を組み込んだ言語モデリングのための連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-17T08:54:29Z)
• Diffusion Attribution Score: Evaluating Training Data Influence in Diffusion Models [22.39558434131574]
  拡散モデルに対する既存のデータ帰属法は、典型的にはトレーニングサンプルの寄与を定量化する。 拡散損失の直接的利用は,拡散損失の計算により,そのような貢献を正確に表すことはできない。 本研究では,予測分布と属性スコアとの直接比較を行うために拡散属性スコア(textitDAS)を提案する。
  論文  参考訳（メタデータ） (2024-10-24T10:58:17Z)
• Constrained Diffusion Models via Dual Training [80.03953599062365]
  拡散プロセスは、トレーニングデータセットのバイアスを反映したサンプルを生成する傾向がある。 所望の分布に基づいて拡散制約を付与し,制約付き拡散モデルを構築する。 本稿では,制約付き拡散モデルを用いて,目的と制約の最適なトレードオフを実現する混合データ分布から新しいデータを生成することを示す。
  論文  参考訳（メタデータ） (2024-08-27T14:25:42Z)
• Unbiased Image Synthesis via Manifold Guidance in Diffusion Models [9.531220208352252]
  拡散モデルは、しばしば必然的に特定のデータ属性を好ましくし、生成された画像の多様性を損なう。 我々は,DDPMにおけるバイアス問題を緩和する最初の教師なし手法であるManifold Smpling Guidanceというプラグアンドプレイ手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T02:03:17Z)
• 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)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)

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。