Fugu-MT 論文翻訳(概要): Conditionally Whitened Generative Models for Probabilistic Time Series Forecasting

論文の概要: Conditionally Whitened Generative Models for Probabilistic Time Series Forecasting

arxiv url: http://arxiv.org/abs/2509.20928v1
Date: Thu, 25 Sep 2025 09:13:37 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-26 20:58:12.811617
Title: Conditionally Whitened Generative Models for Probabilistic Time Series Forecasting
Title（参考訳）: 確率的時系列予測のための条件付き白色生成モデル
Authors: Yanfeng Yang, Siwei Chen, Pingping Hu, Zhaotong Shen, Yingjie Zhang, Zhuoran Sun, Shuai Li, Ziqi Chen, Kenji Fukumizu,
Abstract要約: Conditionally Whitened Generative Models (CW-Gen) は、条件付きホワイトニングを通じて事前情報を組み込むフレームワークである。 CW-Genは予測性能を継続的に向上し、非定常力学と変数間相関を事前自由アプローチよりも効果的に捉えている。
参考スコア（独自算出の注目度）: 19.525630481681358
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Probabilistic forecasting of multivariate time series is challenging due to non-stationarity, inter-variable dependencies, and distribution shifts. While recent diffusion and flow matching models have shown promise, they often ignore informative priors such as conditional means and covariances. In this work, we propose Conditionally Whitened Generative Models (CW-Gen), a framework that incorporates prior information through conditional whitening. Theoretically, we establish sufficient conditions under which replacing the traditional terminal distribution of diffusion models, namely the standard multivariate normal, with a multivariate normal distribution parameterized by estimators of the conditional mean and covariance improves sample quality. Guided by this analysis, we design a novel Joint Mean-Covariance Estimator (JMCE) that simultaneously learns the conditional mean and sliding-window covariance. Building on JMCE, we introduce Conditionally Whitened Diffusion Models (CW-Diff) and extend them to Conditionally Whitened Flow Matching (CW-Flow). Experiments on five real-world datasets with six state-of-the-art generative models demonstrate that CW-Gen consistently enhances predictive performance, capturing non-stationary dynamics and inter-variable correlations more effectively than prior-free approaches. Empirical results further demonstrate that CW-Gen can effectively mitigate the effects of distribution shift.
Abstract（参考訳）: 多変量時系列の確率的予測は、非定常性、変数間の依存関係、分布シフトのために困難である。近年の拡散モデルや流れマッチングモデルは有望であるが、条件付き手段や共分散といった情報的先行を無視することが多い。本研究では,条件付きホワイトニングにより事前情報を組み込むフレームワークである条件付きホワイトニング生成モデル(CW-Gen)を提案する。理論的には、従来の拡散モデルの終端分布、すなわち標準の多変量正規分布を条件平均の推定値でパラメータ化した多変量正規分布に置き換える十分な条件を確立し、共分散によりサンプルの品質が向上する。本研究では,条件平均とすべり風の共分散を同時に学習するJMCE(Joint Mean-Covariance Estimator)を設計する。 JMCE上に構築した条件付きホワイトド拡散モデル(CW-Diff)を導入し,条件付きホワイトドフローマッチング(CW-Flow)に拡張する。 6つの最先端生成モデルを持つ5つの実世界のデータセットの実験により、CW-Genは予測性能を一貫して向上し、非定常力学と変数間の相関を事前自由なアプローチよりも効果的に捉えている。さらに、CW-Genが分散シフトの効果を効果的に緩和できることが実証された。

関連論文リスト

Probabilistic Forecasting via Autoregressive Flow Matching [1.5467259918426441]
FlowTimeは、時系列データの確率予測のための生成モデルである。我々は、将来の観測の連成分布を条件密度の列に分解し、それぞれが共有フローを介してモデル化される。本研究では,複数の動的システムおよび実世界の予測タスクにおけるFlowTimeの有効性を示す。
論文参考訳（メタデータ） (2025-03-13T13:54:24Z)
On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文参考訳（メタデータ） (2024-10-21T18:31:04Z)
Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文参考訳（メタデータ） (2024-10-17T16:42:12Z)
Flow Matching with Gaussian Process Priors for Probabilistic Time Series Forecasting [43.951394031702016]
本稿では,ガウス過程,最適輸送経路,データ依存の事前分布を組み合わせた時系列の条件付きフローマッチング(CFM)モデルであるTSFlowを紹介する。条件付きモデルと非条件付きモデルの両方が、複数の予測ベンチマークで競合する結果が得られることを示す。
論文参考訳（メタデータ） (2024-10-03T22:12:50Z)
Marginalization Consistent Probabilistic Forecasting of Irregular Time Series via Mixture of Separable flows [4.489135297410294]
不規則な時系列における目標の連立分布の確率論的予測モデルは、機械学習においてあまり研究されていない分野である。 MOSES(Marginalization Consistent Mixture of Separable Flows)は,複数の潜伏ガウス過程と分離可能なユニ-正規性フローの混合をパラメタライズするモデルである。 4つのデータセットの実験では、MOSESは正確な結合予測と限界予測の両方を達成し、他の余分化の基線を全て上回り、ProFITiをわずかに下回っただけで、余分分布の予測では圧倒的に優れていることが示されている。
論文参考訳（メタデータ） (2024-06-11T13:28:43Z)
Bi-Noising Diffusion: Towards Conditional Diffusion Models with Generative Restoration Priors [64.24948495708337]
本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
論文参考訳（メタデータ） (2022-12-14T17:26:35Z)
Scalable Dynamic Mixture Model with Full Covariance for Probabilistic Traffic Forecasting [14.951166842027819]
時間変化誤差過程に対するゼロ平均ガウス分布の動的混合を提案する。提案手法は,学習すべきパラメータを数つ追加するだけで,既存のディープラーニングフレームワークにシームレスに統合することができる。提案手法を交通速度予測タスク上で評価し,提案手法がモデル水平線を改良するだけでなく,解釈可能な時間相関構造も提供することを発見した。
論文参考訳（メタデータ） (2022-12-10T22:50:00Z)
Distributional Gradient Boosting Machines [77.34726150561087]
私たちのフレームワークはXGBoostとLightGBMをベースにしています。我々は,このフレームワークが最先端の予測精度を実現することを示す。
論文参考訳（メタデータ） (2022-04-02T06:32:19Z)
Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文参考訳（メタデータ） (2020-10-24T07:01:24Z)

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。