論文の概要: Synthetic Series-Symbol Data Generation for Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2510.08445v1
• Date: Thu, 09 Oct 2025 16:54:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:15.215176
• Title: Synthetic Series-Symbol Data Generation for Time Series Foundation Models
• Title（参考訳）: 時系列基礎モデルのための合成時系列データ生成
• Authors: Wenxuan Wang, Kai Wu, Yujian Betterest Li, Dan Wang, Xiaoyu Zhang,
• Abstract要約: シンボル情報を用いた時系列表現向上のための基礎モデルであるtextttSymTime を開発した。 textttSymTimeは、下流タスクで微調整を行う場合、主要な5つのTSAタスク間での競合性能を示す。 このアプローチは,データ不足を克服し,タスク性能を向上する上で,系列記号データ生成と事前学習機構の可能性を強調する。
• 参考スコア（独自算出の注目度）: 18.504711221635606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models for time series analysis (TSA) have attracted significant attention. However, challenges such as training data scarcity and imbalance continue to hinder their development. Inspired by complex dynamic system theories, we design a series-symbol data generation mechanism, enabling the unrestricted creation of high-quality time series data paired with corresponding symbolic expressions. To leverage series-symbol data pairs with strong correlations, we develop \texttt{SymTime}, a pre-trained foundation model for enhancing time series representation using symbolic information. \texttt{SymTime} demonstrates competitive performance across five major TSA tasks when fine-tunes with downstream tasks, rivaling foundation models pre-trained on real-world datasets. This approach underscores the potential of series-symbol data generation and pretraining mechanisms in overcoming data scarcity and enhancing task performance. The code is available at https://github.com/wwhenxuan/SymTime.
• Abstract（参考訳）: 時系列解析の基礎モデル (TSA) が注目されている。 しかし、データ不足のトレーニングや不均衡といった課題は、開発を妨げ続けている。 複雑な力学系理論にインスパイアされたデータ生成機構を設計し、対応する記号表現と組み合わせた高品質な時系列データを無制限に生成することを可能にする。 強い相関関係を持つ時系列データペアを活用するために,シンボル情報を用いた時系列表現の強化を目的とした事前学習基盤モデルであるtexttt{SymTime} を開発した。 \texttt{SymTime}は、下流タスクで微調整を行う場合の5つの主要なTSAタスク間の競合性能を示し、実際のデータセットで事前トレーニングされた基礎モデルと競合する。 このアプローチは,データ不足を克服し,タスク性能を向上する上で,系列記号データ生成と事前学習機構の可能性を強調する。 コードはhttps://github.com/wwhenxuan/SymTimeで入手できる。

関連論文リスト

• Empowering Time Series Analysis with Synthetic Data: A Survey and Outlook in the Era of Foundation Models [104.17057231661371]
  時系列解析は複雑なシステムの力学を理解するために重要である。 基本モデルの最近の進歩はタスク非依存の時系列基礎モデル (TSFM) と大規模言語モデルベース時系列モデル (TSLLM) につながっている。 彼らの成功は、規制、多様性、品質、量制約のために構築が困難である、大規模で多様で高品質なデータセットに依存する。 本調査では,TSFMとTLLLMの合成データの総合的なレビュー,データ生成戦略の分析,モデル事前学習におけるそれらの役割,微調整,評価,今後の研究方向性の特定について述べる。
  論文  参考訳（メタデータ） (2025-03-14T13:53:46Z)
• Mitigating Data Scarcity in Time Series Analysis: A Foundation Model with Series-Symbol Data Generation [34.04850897522787]
  時系列解析の基礎モデル (TSA) が注目されている。 データ不足やデータの不均衡といった課題は、開発を妨げ続けている。 本稿では,2重モードデータ生成機構を導入し,高品質な時系列データの生成を可能にする。
  論文  参考訳（メタデータ） (2025-02-21T13:43:24Z)
• MTSA-SNN: A Multi-modal Time Series Analysis Model Based on Spiking Neural Network [23.303230721723278]
  スパイキングニューラルネットワーク(MTSA-SNN)に基づくマルチモーダル時系列解析モデルを提案する。 パルスは、時間画像とシーケンシャル情報の符号化を共通のパルスベース表現で統一する。 本研究では、ウェーブレット変換操作を導入し、時間的情報を分析し評価するモデルの能力を高める。
  論文  参考訳（メタデータ） (2024-02-08T05:39:11Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• MADS: Modulated Auto-Decoding SIREN for time series imputation [9.673093148930874]
  我々は,暗黙のニューラル表現に基づく時系列計算のための新しい自動デコードフレームワークMADSを提案する。 実世界の2つのデータセット上で本モデルを評価し,時系列計算における最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-03T09:08:47Z)
• 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)
• DAMNETS: A Deep Autoregressive Model for Generating Markovian Network Time Series [6.834250594353335]
  ネットワーク時系列生成モデル(動的グラフとも呼ばれる)は疫学、生物学、経済学などの分野において大きな可能性を秘めている。 本稿では,ネットワーク時系列のスケーラブルな深層生成モデルであるDAMNETSを紹介する。
  論文  参考訳（メタデータ） (2022-03-28T18:14:04Z)
• Towards Generating Real-World Time Series Data [52.51620668470388]
  時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。 RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。 不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
  論文  参考訳（メタデータ） (2021-11-16T11:31:37Z)
• Time Series is a Special Sequence: Forecasting with Sample Convolution and Interaction [9.449017120452675]
  時系列データ(英: time series)とは、時系列データの一種で、時系列で記録された観測の集合である。 既存のディープラーニング技術では、時系列解析にジェネリックシーケンスモデルを使用しており、そのユニークな性質を無視している。 本稿では,新しいニューラルネットワークアーキテクチャを提案し,時系列予測問題に適用し,時間的モデリングのための複数の解像度でサンプル畳み込みと相互作用を行う。
  論文  参考訳（メタデータ） (2021-06-17T08:15:04Z)

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。