論文の概要: WaveletDiff: Multilevel Wavelet Diffusion For Time Series Generation

• arxiv url: http://arxiv.org/abs/2510.11839v1
• Date: Mon, 13 Oct 2025 18:47:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 21:19:14.952971
• Title: WaveletDiff: Multilevel Wavelet Diffusion For Time Series Generation
• Title（参考訳）: WaveletDiff: 時系列生成のためのマルチレベルウェーブレット拡散
• Authors: Yu-Hsiang Wang, Olgica Milenkovic,
• Abstract要約: WaveletDiffは、時系列データ固有の多重解像度構造を利用するために、ウェーブレット係数上で拡散モデルを直接訓練する新しいフレームワークである。 最先端の時間領域と周波数領域の生成手法を5つの異なるパフォーマンス指標で比較すると、一貫して性能が向上する。
• 参考スコア（独自算出の注目度）: 15.28917997999402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series are ubiquitous in many applications that involve forecasting, classification and causal inference tasks, such as healthcare, finance, audio signal processing and climate sciences. Still, large, high-quality time series datasets remain scarce. Synthetic generation can address this limitation; however, current models confined either to the time or frequency domains struggle to reproduce the inherently multi-scaled structure of real-world time series. We introduce WaveletDiff, a novel framework that trains diffusion models directly on wavelet coefficients to exploit the inherent multi-resolution structure of time series data. The model combines dedicated transformers for each decomposition level with cross-level attention mechanisms that enable selective information exchange between temporal and frequency scales through adaptive gating. It also incorporates energy preservation constraints for individual levels based on Parseval's theorem to preserve spectral fidelity throughout the diffusion process. Comprehensive tests across six real-world datasets from energy, finance, and neuroscience domains demonstrate that WaveletDiff consistently outperforms state-of-the-art time-domain and frequency-domain generative methods on both short and long time series across five diverse performance metrics. For example, WaveletDiff achieves discriminative scores and Context-FID scores that are $3\times$ smaller on average than the second-best baseline across all datasets.
• Abstract（参考訳）: 時系列は、医療、金融、音声信号処理、気候科学など、予測、分類、因果推論タスクを含む多くのアプリケーションで広く使われている。 それでも、大規模で高品質な時系列データセットは依然として少ない。 合成生成はこの制限に対処できるが、現在のモデルは時間または周波数領域に制限されているが、実世界の時系列の本質的に多重スケールの構造を再現するのに苦労している。 本稿では,ウェーブレット係数の拡散モデルを直接学習し,時系列データに固有の多重解像度構造を利用する新しいフレームワークであるWaveletDiffを紹介する。 このモデルは、各分解レベルの専用トランスフォーマーと、適応ゲーティングによる時間と周波数の尺度間の選択的な情報交換を可能にするクロスレベルアテンションメカニズムを組み合わせる。 また、拡散過程を通してスペクトルの忠実性を維持するためにParsevalの定理に基づく個々のレベルのエネルギー保存の制約も含んでいる。 エネルギー、ファイナンス、神経科学の領域から得られた6つの実世界のデータセットに対する総合的なテストは、WaveletDiffが5つのさまざまなパフォーマンス指標のショート級数とロング級数の両方で、最先端の時間領域と周波数領域の生成メソッドを一貫して上回っていることを示している。 例えば、WaveletDiffは差別的なスコアとContext-FIDスコアを達成しており、これはすべてのデータセットで2番目に高いベースラインよりも平均$3\times$小さい。

関連論文リスト

• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Stationarity Exploration for Multivariate Time Series Forecasting [16.66747488602513]
  APRNet(Amplitude-Phase Reconstruct Network)を提案する。 APRNetは振幅と位相の相互関係をモデル化し、振幅と位相が異なる物理量で制約されるのを防ぐ。 局所関数に適応的に適合する新しいKLCモジュールを提案する。
  論文  参考訳（メタデータ） (2025-08-12T13:15:51Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• OLMA: One Loss for More Accurate Time Series Forecasting [33.984606618724364]
  時系列予測は2つの重要な課題に直面するが、しばしば見過ごされる。 ニューラルネットワークは、時系列の状態空間をモデル化する際に周波数バイアスを示す。 本稿では,チャネルと時間次元の周波数領域変換を利用して予測を向上するOLMAという新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2025-05-16T09:17:15Z)
• 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)
• FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting [13.253624747448935]
  時系列予測は、産業機器の保守、気象学、エネルギー消費、交通流、金融投資など、様々な分野で重要な役割を果たしている。 現在のディープラーニングベースの予測モデルは、予測結果と基礎的真実の間に大きな違いを示すことが多い。 本稿では、時系列をトレンドと季節成分に分解する2つのホライズンズにおける周波数領域注意モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:37:02Z)
• WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series Forecasting [61.64303388738395]
  本稿では,長期連続予測のためのWavelet-Fourier Transform Network (WFTNet)を提案する。 さまざまな時系列データセットのテストでは、WFTNetは他の最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-09-20T13:44:18Z)

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。