論文の概要: DiffNator: Generating Structured Explanations of Time-Series Differences

• arxiv url: http://arxiv.org/abs/2509.20007v1
• Date: Wed, 24 Sep 2025 11:27:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.793089
• Title: DiffNator: Generating Structured Explanations of Time-Series Differences
• Title（参考訳）: DiffNator: 時系列差の構造化説明を生成する
• Authors: Kota Dohi, Tomoya Nishida, Harsh Purohit, Takashi Endo, Yohei Kawaguchi,
• Abstract要約: 本稿では,2つの時系列間の差異を構造化した説明フレームワークDiffNatorを提案する。 実世界のIoTデータセットの時系列観測を用いて、ペアシーケンスを生成し、時系列エンコーダと凍結LDMを組み合わせたモデルをトレーニングする。 実験の結果、DiffNatorは正確な差分説明を生成し、視覚的質問応答(VQA)と検索方法の両方でかなり優れていることがわかった。
• 参考スコア（独自算出の注目度）: 11.539595370244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many IoT applications, the central interest lies not in individual sensor signals but in their differences, yet interpreting such differences requires expert knowledge. We propose DiffNator, a framework for structured explanations of differences between two time series. We first design a JSON schema that captures the essential properties of such differences. Using the Time-series Observations of Real-world IoT (TORI) dataset, we generate paired sequences and train a model that combine a time-series encoder with a frozen LLM to output JSON-formatted explanations. Experimental results show that DiffNator generates accurate difference explanations and substantially outperforms both a visual question answering (VQA) baseline and a retrieval method using a pre-trained time-series encoder.
• Abstract（参考訳）: 多くのIoTアプリケーションにおいて、中心的な関心は個々のセンサー信号ではなく、その違いにある。 本稿では,2つの時系列間の差異を構造化した説明フレームワークDiffNatorを提案する。 我々はまず、これらの違いの本質的な特性をキャプチャするJSONスキーマを設計する。 リアルタイムIoT(TORI)データセットの時系列観測を用いて、ペアシーケンスを生成し、時系列エンコーダと凍結LDMを組み合わせたモデルをトレーニングし、JSON形式の説明を出力する。 実験結果から,DiffNatorは正確な差分説明を生成し,VQAベースラインと事前学習した時系列エンコーダを用いた検索方法の両方を著しく上回ることがわかった。

関連論文リスト

• Robust Group Anomaly Detection for Quasi-Periodic Network Time Series [47.60720976101336]
  本稿では,ネットワーク時系列データベース内の異常で興味深い時系列を識別するフレームワークを提案する。 本稿では,Seq2GMMモデルを効率よく学習できるサロゲートに基づく最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-06-20T08:11:04Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• Faster Diffusion: Rethinking the Role of the Encoder for Diffusion Model Inference [95.42299246592756]
  本稿では,UNetエンコーダについて検討し,エンコーダの特徴を実証的に分析する。 エンコーダの特徴は最小限に変化するが,デコーダの特徴は時間段階によって大きく異なる。 我々は、テキスト・ツー・ビデオ、パーソナライズド・ジェネレーション、参照誘導ジェネレーションといった他のタスクに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2023-12-15T08:46:43Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• DRAformer: Differentially Reconstructed Attention Transformer for Time-Series Forecasting [7.805077630467324]
  時系列予測は、機器ライフサイクル予測、天気予報、交通フロー予測など、多くの現実シナリオにおいて重要な役割を果たす。 最近の研究から、様々なトランスフォーマーモデルが時系列予測において顕著な結果を示したことが観察できる。 しかし、時系列予測タスクにおけるトランスフォーマーモデルの性能を制限する問題がまだ残っている。
  論文  参考訳（メタデータ） (2022-06-11T10:34:29Z)
• Generating Sparse Counterfactual Explanations For Multivariate Time Series [0.5161531917413706]
  多変量時系列に対するSPARse Counterfactual Explanationsを生成するGANアーキテクチャを提案する。 提案手法は, トラジェクトリの類似性, 疎性, 滑らか性の観点から, 対実損失関数を正規化する。 我々は,実世界の人間の動作データセットと合成時系列解釈可能性ベンチマークに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-06-02T08:47:06Z)
• A Differential Attention Fusion Model Based on Transformer for Time Series Forecasting [4.666618110838523]
  時系列予測は、機器ライフサイクル予測、天気予報、交通流予測などの分野で広く利用されている。 一部の学者は、この強力な並列トレーニング能力のために、Transformerを時系列予測に適用しようと試みている。 既存のTransformerメソッドは、予測において決定的な役割を果たす小さな時間セグメントに十分な注意を払わない。
  論文  参考訳（メタデータ） (2022-02-23T10:33:12Z)
• On Disentanglement in Gaussian Process Variational Autoencoders [3.403279506246879]
  時系列データ上で異なるタスクに成功しているモデルを最近導入した。 本モデルでは,各潜伏チャネルをGP前にモデル化し,構造的変動分布を用いることで,データの時間的構造を利用する。 実世界の医療時系列データから有意義な不整合表現を学習できる証拠を提供する。
  論文  参考訳（メタデータ） (2021-02-10T15:49:27Z)

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。